Derin Öğrenme ve Chroma Spektrogramlarına Dayalı EKG Sinyallerinin Sınıflandırılması

Songül Akdağ; Mehmet Bilal Er

Makale detayları

Derin Öğrenme ve Chroma Spektrogramlarına Dayalı EKG Sinyallerinin Sınıflandırılması

Yazarlar:

Songül Akdağ | Mehmet Bilal Er

Yayıncı:

Harran University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Harran Üniversitesi Mühendislik Dergisi Vol.9 Issue 3, pp.164-175

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001337334

pISSN:

2528-8733

Anahtar kelimeler:

Özet:

 Elektrokardiyografi EKG, kalbin elektriksel aktivitesini izleyerek ritim ve fonksiyon bozukluklarını tespit etmekte kullanılan, invazif olmayan bir tanı yöntemidir. EKG sinyalleri genellikle düşük genlikli ve karmaşık yapıda olup, bu sinyallerdeki küçük değişiklikler gözle fark edilemeyebilir. Aritmiler, her zaman ciddi olmasa da, kalp hastalığı semptomlarına ve potansiyel olarak tehlikeli durumlara yol açabilir. Yapay zeka, EKG verilerini analiz ederek bu tür kalp hastalıklarının daha hızlı ve doğru bir şekilde tespit edilmesine olanak sağlar, böylece klinik kararların desteklenmesine katkıda bulunur. Bu çalışmada, PhysioNetCinC Challenge 2016 veri seti kullanılarak, Chroma spektrogramları oluşturulmuş ve bu veriler üzerinde altı farklı önceden eğitilmiş ağ modeli test edilmiştir. Modeller, üç farklı doğrulama yöntemi ve altı farklı sınıflandırıcı ile değerlendirilmiştir. Sonuçlar, MobileNet V2 modeli ile Q-DVM sınıflandırıcısının en iyi performansı sergilediğini göstermiştir. Modelimiz, doğruluk 87,6, duyarlılık 96,1, kesinlik 88,9 ve F1 skoru 92,4 açısından güçlü ve iyi bir performans sergilemiştir.

 Elektrokardiyografi EKG, kalbin elektriksel aktivitesini izleyerek ritim ve fonksiyon bozukluklarını tespit etmekte kullanılan, invazif olmayan bir tanı yöntemidir. EKG sinyalleri genellikle düşük genlikli ve karmaşık yapıda olup, bu sinyallerdeki küçük değişiklikler gözle fark edilemeyebilir. Aritmiler, her zaman ciddi olmasa da, kalp hastalığı semptomlarına ve potansiyel olarak tehlikeli durumlara yol açabilir. Yapay zeka, EKG verilerini analiz ederek bu tür kalp hastalıklarının daha hızlı ve doğru bir şekilde tespit edilmesine olanak sağlar, böylece klinik kararların desteklenmesine katkıda bulunur. Bu çalışmada, PhysioNetCinC Challenge 2016 veri seti kullanılarak, Chroma spektrogramları oluşturulmuş ve bu veriler üzerinde altı farklı önceden eğitilmiş ağ modeli test edilmiştir. Modeller, üç farklı doğrulama yöntemi ve altı farklı sınıflandırıcı ile değerlendirilmiştir. Sonuçlar, MobileNet V2 modeli ile Q-DVM sınıflandırıcısının en iyi performansı sergilediğini göstermiştir. Modelimiz, doğruluk 87,6, duyarlılık 96,1, kesinlik 88,9 ve F1 skoru 92,4 açısından güçlü ve iyi bir performans sergilemiştir.

 Elektrokardiyografi EKG, kalbin elektriksel aktivitesini izleyerek ritim ve fonksiyon bozukluklarını tespit etmekte kullanılan, invazif olmayan bir tanı yöntemidir. EKG sinyalleri genellikle düşük genlikli ve karmaşık yapıda olup, bu sinyallerdeki küçük değişiklikler gözle fark edilemeyebilir. Aritmiler, her zaman ciddi olmasa da, kalp hastalığı semptomlarına ve potansiyel olarak tehlikeli durumlara yol açabilir. Yapay zeka, EKG verilerini analiz ederek bu tür kalp hastalıklarının daha hızlı ve doğru bir şekilde tespit edilmesine olanak sağlar, böylece klinik kararların desteklenmesine katkıda bulunur. Bu çalışmada, PhysioNetCinC Challenge 2016 veri seti kullanılarak, Chroma spektrogramları oluşturulmuş ve bu veriler üzerinde altı farklı önceden eğitilmiş ağ modeli test edilmiştir. Modeller, üç farklı doğrulama yöntemi ve altı farklı sınıflandırıcı ile değerlendirilmiştir. Sonuçlar, MobileNet V2 modeli ile Q-DVM sınıflandırıcısının en iyi performansı sergilediğini göstermiştir. Modelimiz, doğruluk 87,6, duyarlılık 96,1, kesinlik 88,9 ve F1 skoru 92,4 açısından güçlü ve iyi bir performans sergilemiştir.

 Elektrokardiyografi EKG, kalbin elektriksel aktivitesini izleyerek ritim ve fonksiyon bozukluklarını tespit etmekte kullanılan, invazif olmayan bir tanı yöntemidir. EKG sinyalleri genellikle düşük genlikli ve karmaşık yapıda olup, bu sinyallerdeki küçük değişiklikler gözle fark edilemeyebilir. Aritmiler, her zaman ciddi olmasa da, kalp hastalığı semptomlarına ve potansiyel olarak tehlikeli durumlara yol açabilir. Yapay zeka, EKG verilerini analiz ederek bu tür kalp hastalıklarının daha hızlı ve doğru bir şekilde tespit edilmesine olanak sağlar, böylece klinik kararların desteklenmesine katkıda bulunur. Bu çalışmada, PhysioNetCinC Challenge 2016 veri seti kullanılarak, Chroma spektrogramları oluşturulmuş ve bu veriler üzerinde altı farklı önceden eğitilmiş ağ modeli test edilmiştir. Modeller, üç farklı doğrulama yöntemi ve altı farklı sınıflandırıcı ile değerlendirilmiştir. Sonuçlar, MobileNet V2 modeli ile Q-DVM sınıflandırıcısının en iyi performansı sergilediğini göstermiştir. Modelimiz, doğruluk 87,6, duyarlılık 96,1, kesinlik 88,9 ve F1 skoru 92,4 açısından güçlü ve iyi bir performans sergilemiştir.

Makale detayları

Derin Öğrenme ve Chroma Spektrogramlarına Dayalı EKG Sinyallerinin Sınıflandırılması

Yazarlar:

Songül Akdağ | Mehmet Bilal Er

Yayıncı:

Harran University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Harran Üniversitesi Mühendislik Dergisi Vol.9 Issue 3, pp.164-175

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001337334

pISSN:

2528-8733

Derin Öğrenme

EKG

Ses ve Sinyal işleme

Sınıflandırma

Transfer Öğrenme

Sayı

Makale detayları

Derin Öğrenme ve Chroma Spektrogramlarına Dayalı EKG Sinyallerinin Sınıflandırılması

Yazarlar: Songül Akdağ | Mehmet Bilal Er

Yayıncı: Harran University

Ana Başlıklar: Bilgisayar Yazılımı

Dergi: Harran Üniversitesi Mühendislik Dergisi Vol.9 Issue 3, pp.164-175

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001337334

pISSN: 2528-8733

Derin Öğrenme

EKG

Ses ve Sinyal işleme

Sınıflandırma

Transfer Öğrenme

Sayı

Yazarlar:

Songül Akdağ | Mehmet Bilal Er

Yayıncı:

Harran University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Harran Üniversitesi Mühendislik Dergisi Vol.9 Issue 3, pp.164-175

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001337334

pISSN:

2528-8733