Hilbert Huang Dönüşümü ve CNN Öznitelikleri ile EKG Sinyallerinin Sınıflandırılması
Classification of ECG Signals with Hilbert Huang Transform and CNN Features
Fen Bilimleri
22219
Yüksek Lisans Tez Projesi
Dr.Öğr.Üyesi Mehmet Bilal ER
Mühendislik Fakültesi
2022
2023
19-10-2022
18-10-2023
(Araştırmacı) Arş.Gör. Songül AKDAĞ
EKG, kalbin zaman içindeki elektriksel aktivite değişikliklerini değerlendiren, kalbin ritmini ve
elektriksel aktivitesini grafik olarak kaydeden, invazif olmayan bir tanı aracıdır. Kalp
fonksiyonunu analiz etmek için temel fizyolojik bilgileri içerir; bu nedenle, kardiyologlar
tarafından sağlık bozukluklarını tespit etmek için yaygın olarak kullanılmaktadır. EKG sinyali
lineer değildir ve düşük genliği nedeniyle EKG verilerinde çıplak gözle ihmal edilebilecek küçük
değişiklikler olabilir. Aritmi aslında insan sağlığını tehdit etmez. Bununla birlikte, aritmiler kalp
hastalığı semptomlarına ve hızlı atriyal fibrilasyon, paroksismal supraventriküler taşikardi,
persistan ventriküler taşikardi vb. gibi daha şiddetli aritmilere neden olabilir. Aritmiler ayrıca
çarpıntı, göğüste sıkışma, baş dönmesi, kan basıncı, terleme, senkop ve ani ölüm. Bu kalp
hastalıkları tehlikelidir ve semptomatik ise acil tedavi gerektirir. Bu çalışmada EKG sinyalleri
kullanılarak Hilbert Huang Dönüşümü ile özellik çıkarılarak Derin Öğrenme yöntemlerinden
CNN ve LSTM kombinasyonuna dayalı aritmi sınıflandırması gerçekleştirebilmek amaçlanmıştır.
EKG is a non-invasive diagnostic tool that evaluates the electrical activity changes of the heart
over time and graphically records the rhythm and electrical activity of the heart. Contains basic
physiological information for analyzing heart function; Therefore, it is widely used by
cardiologists to detect health disorders. The ECG signal is non-linear and due to its low
amplitude, there may be minor changes in the ECG data that are negligible to the naked eye.
Arrhythmia does not actually threaten human health. However, arrhythmias can cause symptoms
of heart disease and rapid atrial fibrillation, paroxysmal supraventricular tachycardia, persistent
ventricular tachycardia, etc. It can cause more severe arrhythmias such as Arrhythmias also
include palpitations, chest tightness, dizziness, blood pressure, sweating, syncope, and sudden
death. These heart diseases are dangerous and require immediate treatment if symptomatic. In this
study, it is aimed to perform arrhythmia classification based on the combination of CNN and
LSTM from Deep Learning methods by extracting features with Hilbert Huang Transform using
ECG signals.
EKG, kalbin zaman içindeki elektriksel aktivite değişikliklerini değerlendiren, kalbin ritmini ve elektriksel aktivitesini grafik olarak kaydeden, invazif olmayan bir tanı aracıdır. Kalp fonksiyonunu analiz etmek için temel fizyolojik bilgileri içerir; bu nedenle, kardiyologlar tarafından sağlık bozukluklarını tespit etmek için yaygın olarak kullanılmaktadır. EKG sinyali lineer değildir ve düşük genliği nedeniyle EKG verilerinde çıplak gözle ihmal edilebilecek küçük değişiklikler olabilir. Aritmi aslında insan sağlığını tehdit etmez. Bununla birlikte, aritmiler kalp hastalığı semptomlarına ve hızlı atriyal fibrilasyon, paroksismal supraventriküler taşikardi, persistan ventriküler taşikardi vb. gibi daha şiddetli aritmilere neden olabilir. Aritmiler ayrıca çarpıntı, göğüste sıkışma, baş dönmesi, kan basıncı, terleme, senkop ve ani ölüm. Bu kalp hastalıkları tehlikelidir ve semptomatik ise acil tedavi gerektirir.
Bu çalışmada EKG sinyalleri kullanılarak Derin Öğrenme yöntemlerinden CNN aritmi sınıflandırması gerçekleştirebilmek amaçlanmıştır.
Bu kapsamda EKG Örneklerine ait sınıflandırıcıların sonuçları final raporunda detaylı olarak yer verilmiştir. En yüksek sonucu verileri %20 test %80 eğitim verisi olarak kullandığımızda Q -SVM ve C-SVM %70.9 sınıflandırıcılarıyla elde ettiğimiz gözlemlendi.
Proje başvurusuna göre EKG veri seti ile derin öğrenme yöntemi kullanılarak aritmi sınıflandırması yapılmış olup bu hedefe ulaşılmıştır.