|
Kalp dolaşım sisteminin temelini oluşturur ve kalpte meydana gelen kasılma ve gevşemelerin ölçülmesi ile Elektrokardiyografi (EKG) elde edilir. Çeşitli yöntem ve teknikler ile sinyaller üzerinden işlem yaparak özellik çıkarımı ve buna bağlı olarak sınıflandırma veya teşhis yapılabilmektedir. Özellik çıkarımı sonunda elde edilen özellik vektörleri kullanılarak algoritmaların yüksek sınıflama başarısı elde edildiği daha önceki çalışmalarda görülmüştür. Sezgisel algoritmalar özellikle çözüm uzayının çok geniş olduğu durumlarda en iyi sonucu bulacağını garanti etmeyen ama bunun yerine makul bir sürede sorunu çözeceğini garanti eden algoritmalardır. Sezgisel algoritmalar optimizasyon problemleri için kabul edilebilir sürelerde optimuma yakın sonuçlar üretebildikleri için ön plana çıkarlar. Derin öğrenme algoritmaları ise birden çok gizli katman kullanılarak oluşturulan temelinde yapay sinir ağı bulunan algoritmalardır. Derin yapay sinir ağları herhangi bir müdahale gerektirmeden kendine has yöntemler ile öznitelikleri tespit edip, bu özniteliklere göre çıktılar üretebilen gelişmiş ağlardır. Tez kapsamında EKG işaretleri, EKG'yi oluşturan P, PR, PT, QRS, QT, ST, T aralık ve segmentlerine ayrılmıştır. Elde edilen aralık ve segmentler işaret benzerlik yöntemlerinden konvolüsyon, korelasyon, kovaryans, sinyal tepe noktası gürültü oranı (PNRS) ve yapısal benzerlik indeksi (SSIM) uygulanmıştır. Ayrıca aritmetik ortalama, varyans ve entropi uygulanmıştır. Ek olarak karesel hata temelli farklı bir yaklaşım da aralık ve segmentlere uygulanmıştır. Sezgisel algoritmalar ile yapay sinir ağı temelli melez bir sistem geliştirilmiştir. İşaret işleme yöntemleri, ayrıştırılmış aralık ve segmentlere uygulanmıştır. Geliştirilen melez sistemin aritmi teşhisi için seçtiği aralık ve segmentlere bakılarak hangi aralık ve segmentte hangi işaret işleme yönteminin daha iyi sonuç verdiği tespit edilmeye çalışılmıştır. Ayrıca aralık ve segmentlere ayırdığımız EKG işaretin bir döngüsü olarak kabul edebileceğimiz P-T aralığı görsel olarak kaydedilip derin öğrenme algoritmalarında uygulanmıştır. Hem derin öğrenme algoritmaları hem de geliştirdiğimiz melez sistem kendi içinde incelenmiş ve yüksek sınıflayıcı başarısı elde edilmiştir.
|
|
Electrocardiography (ECG) is the result of measuring and plotting the contractions and relaxations that occur in the heart as a graph on a paper, the heart which is the central organ of the circulatory system. By processing the signals with various methods and techniques feature extraction and based on that classification or diagnosis can be made accordingly. It has been seen in previous studies that high classification success of algorithms is achieved by using feature vectors obtained with the result of feature extraction. Heuristic algorithms are algorithms that do not guarantee that they will find the best result, especially in cases where the solution space is very large, but instead guarantee that they will solve the problem in a reasonable time. Heuristic algorithms come forward for optimization problems because they can produce near-optimal results in acceptable times. Deep learning algorithms, on the other hand, are algorithms based on artificial neural networks created using multiple hidden layers. Deep artificial neural networks are advanced networks that can detect features with their own methods and can produce outputs according to these features without requiring any intervention. In our study, ECG signs have been divided into P, PR, PT, QRS, QT, ST, T intervals and segments that make up the ECG. From the obtained range and segments signal similarity methods convolution, correlation, covariance, signal-peak-to-noise ratio (PNRS) and structural similarity index (SSIM) have been applied. Also arithmetic mean, variance and entropy has been applied. In addition to that, a different approach based on square error has also been applied to ranges and segments. A hybrid system based on an artificial neural network has been developed with heuristic algorithms. Signal processing methods have been applied to parsed ranges and segments. By looking at the intervals and segments selected by the developed hybrid system for the diagnosis of arrhythmia, it has been attempted to determine which signal processing method gave better results in which interval and segment. In addition, the P-T interval, which we can consider as a cycle of the ECG signal and divided into intervals and segments, has been visually recorded and applied in deep learning algorithms. Both the deep learning algorithms and the hybrid system we developed have been examined within themselves and found to achieve high classifier success. |
