DERİN SİNİR AĞLARI İLE ZAMAN SERİLERİNİN SINIFLANDIRILMASI

Abstract

ÖZET

Elektrokardiyogram (EKG), sağlık kuruluşlarında kalbin elektriksel uyarılarını değerlendirmek için kullanılan en yaygın ve en ucuz tanı yöntemlerinden biridir. Aritmi, anormal kardiyak sinyallerini ifade eden bir terimdir ve çoğu durumda ölüme yol açabilir. Çeşitli şekillerde rastlanabilir olan aritmiler bir EKG testi ile tespit edebilir. Bu nedenle EKG atımlarını kullanarak aritmileri sınıflandırmak için otomatik sınıflandırma yöntemleri geliştirmek günümüzde ilgi çekici bir çalışma alanıdır.

Zaman serisi sınıflandırması, biyomedikal sensörlerden toplanan vektör şekilli veriler için karar yardımı sağlayarak tıbbi teşhiste önemli bir rol oynar. Geleneksel makine öğrenimi yöntemleri iyi bir başlangıç noktası sağlar, ancak daha fazla özellik çıkarma prosedürüne ihtiyaç duyarlar ve çağdaş derin öğrenme yaklaşımlarından daha az doğruluğa sahiptirler. Derin öğrenme mimarileri TSC çalışmaları için altın standart haline gelmiş, daha doğru sonuçlar sağlamış ve hangi mimarinin daha hızlı uygulama ile daha iyi sonuçlar verdiğine dair araştırmaları teşvik etmiştir. Bu çalışmanın amacı, açık kaynaklı bir EKG veri seti olan MIT/BIH Aritmi Veri Kümesini kullanarak CNN ve LSTM derin öğrenme mimarilerini klasik ANN sınıflandırıcılarıyla karşılaştırmaktır. Bulgular, en iyi doğruluğun (%96.17) CNN mimarisi için elde edildiğini, LSTM'nin karşılaştırılabilir doğrulukla (%94.42) sonuçlandığını ve geleneksel ANN'nin (%88.98) daha yeni ve karmaşık mimarilerle rekabet edemediğini ortaya koymaktadır. Bu sonuçlar, vektör şeklindeki sinyallerin, görüntüler gibi iki veya daha fazla boyutlu verilere kıyasla nispeten daha düşük karmaşıklığa sahip olmasına rağmen, daha karmaşık derin öğrenme mimarileri ile daha yüksek doğruluk ile sınıflandırılabildiğini ve geleneksel sinir ağlarından daha iyi performans sağladığını göstermektedir.

ABSTRACT

Electrocardiogram (ECG) is one of the most common and least expensive diagnostic methods used in healthcare facilities to evaluate the heart's electrical impulses. Arrhythmia is a term that refers to abnormal cardiac signals and, in most cases, it can lead to death. Arrhythmias, coming in a variety of forms, can be detected with an ECG test. Therefore, automated methods to classify arrhythmias using ECG beats has been an interesting topic for recent years.

Time series classification plays an important role in medical diagnostics by providing decision assistance for vector-shaped data collected from biomedical sensors. Traditional machine learning methods give a good starting point, but they need more feature extraction procedures and have less accuracy compared to contemporary deep learning approaches. Deep learning architectures have become the golden standard for TSC tasks, providing more accurate results and prompting research into which architecture delivers better results with faster implementation. The aim of this study is to compare the CNN and LSTM deep learning architectures with classical ANN classifiers using the MIT/BIH Arrhythmia Dataset, a publicly available ECG dataset. The findings reveal that the best accuracy is achieved for CNN architecture used (96.17%), while LSTM resulted in comparable accuracy (94.42%) and traditional ANN (88.98%) is not as accurate as the more recent and complicated architectures. These outcomes indicate that although vector-shaped signals have relatively lower complexity compared to two or more-dimensional data like images, more complicated deep learning architectures outperform the traditional neural networks indicating exploration of high order patterns in one dimensional data improves classification accuracy.