Proje Detay
Hilbert Huang Dönüşümü ve CNN Öznitelikleri ile EKG Sinyallerinin Sınıflandırılması
Classification of ECG Signals with Hilbert Huang Transform and CNN Features
Fen Bilimleri22219
Yüksek Lisans Tez ProjesiDr.Öğr.Üyesi Mehmet Bilal ER
Mühendislik Fakültesi2022
202319-10-2022
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.