GRAF DÖNÜŞÜMLÜ DERİN ÖĞRENME İLE EKG SİNYALLERİNİN SINIFLANDIRILMASI

Abstract

ÖZET

Biyolojik sistemler, sosyal ağlar, besin ağları, bilgisayar ağları ve daha birçok karmaşık sistemi ifade etmek için kullanılan graflar, günümüzde yapay zekâ alanında bir temsil yöntemi olarak da yaygın bir kullanım alanı bulmaktadır. Özellikle bu karmaşık sistemler ile ilgili karşılaşılabilecek makine öğrenmesi problemlerinin çözümünde graf ve graf özelliklerinden yararlanılmaktadır. Zaman serilerinden olan EKG, EEG, EOG ve EMG gibi çeşitli biyomedikal sinyaller biyolojik durum ve rahatsızlıkların tespit edilmesi ve sınıflandırılması için gerekli veri altyapısını sağlarlar. Görünürlük grafları ise zaman serisi verilerinin bazı temel sinyal özelliklerinin graf olarak temsil edilmesine olanak sağlamakta, bu özelliğiyle kullanımı gittikçe artan bir dönüşüm yöntemi olarak öne çıkmaktadır.

Bu tez çalışmasında, çok boyutlu bir zaman serisi olarak nitelendirilebilecek 12-derivasyonlu EKG’nin graf temsillerinden elde edilen komşuluk matrisi diyagonalleri ve düğüm ağırlık dizisi özellik setlerinin ResNet ve Inception ağ modellerine girdi olarak verilerek grafların EKG sinyallerini temsil yeteneği araştırılmıştır. Çalışmada 21801 kayıttan oluşan PTB-XL veri seti kullanılmıştır. PTB-XL veri seti üst tanı, alt tanı, form ve ritim kategorilerinde yer alan 71 farklı EKG durumunu içermektedir. Üst tanı durumları dikkate alınan çalışmada çoklu-etiket sınıflandırma gerçekleştirilmiştir. ResNet ve Inception ağ modelleri özellik setlerinin farklı kombinasyonları için tek kanallı ve çok kanallı olarak oluşturulmuş ve her bir deneme 10 kez tekrar edilmiştir.

Veri setleri üzerinde gerçekleştirilen sınıflandırma denemelerinde komşuluk matrisinin ilk 3 diyagonalinin giriş verisi olarak kullanıldığı ResNet ağ modeli, orijinal sinyal, düğüm ağırlıkları ve farklı giriş verisi kombinasyonlarına oranla daha üstün bir sınıflandırma başarısı göstermiştir. Çoklu-etiket sınıflandırmada kullanılan başarı metriği olan AUC değeri dikkate alındığında, tez çalışması kapsamında elde edilen en yüksek değer olan %93,46 ile bu veri seti için daha önce gerçekleştirilen çalışmalardan daha yüksek bir sınıflandırma başarısı elde edilmiştir. Böylece graf tabanlı sınıflandırmanın geleneksel yöntemlerden daha iyi sonuç verme potansiyeli ortaya koyulmuştur.

ABSTRACT

Graphs, which are used to represent biological systems, social networks, food networks, computer networks and many other complex systems, are now widely used as a representation method in the field of artificial intelligence. In particular, graphs and graph properties are used to solve machine learning problems that may arise in these complex systems. Various biomedical signals such as ECG, EEG, EOG and EMG, which are time series, provide the necessary data infrastructure for the detection and classification of biological conditions and disorders. Visibility graphs, on the other hand, allow some basic signal properties of time series data to be represented as a graph, and with this feature, it stands out as an increasingly used transformation method.

In this thesis, the ability of graphs to represent ECG signals is investigated by giving the adjacency matrix diagonals and node weight sequence feature sets obtained from

graph representations of 12-lead ECG, which can be considered as a multidimensional time series, as input to ResNet and Inception network models. The PTB-XL dataset consisting of 21801 records was used in the study. The PTB-XL dataset contains 71 different ECG conditions in the categories of upper diagnosis, lower diagnosis, form and rhythm. Multi-label classification was performed in the study considering the upper diagnostic conditions. ResNet and Inception network models were created as single-channel and multi-channel for different combinations of feature sets and each trial was repeated 10 times.

In the classification experiments performed on the datasets, the ResNet network model, in which the first 3 diagonals of the adjacency matrix were used as input data, showed a superior classification success compared to the original signal, node weights and different input data combinations. Considering the AUC value, which is the success metric used in multi-label classification, the highest value of %93.46, which is the highest value obtained within the scope of this thesis, has achieved a higher classification success than previous studies for this dataset. Thus, the potential of graph-based classification to provide better results than traditional methods has been demonstrated.