Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle ekg sinyallerinden kardiyak durumların sınıflandırılması
Yükleniyor...
Tarih
2025-01-09
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Kardiyovasküler hastalıklar, dünya genelinde hem gelişmiş hem de gelişmekte olan ülkelerde başlıca ölüm nedenlerinden biri olarak karşımıza çıkmaktadır. Bu hastalıklar, bireylerin yaşam kalitesini ciddi ölçüde etkilerken, sağlık sistemleri üzerinde de büyük bir ekonomik ve sosyal yük oluşturmaktadır. Erken teşhis ve doğru tanı, yalnızca hastaların yaşam sürelerini uzatmakla kalmaz, aynı zamanda tedavi maliyetlerini azaltarak toplum sağlığına önemli katkılar sağlar. Özellikle aritmiler, konjestif kalp yetmezliği (KKY) ve normal sinüs ritmi (NSR) gibi kardiyak durumların doğru bir şekilde teşhisi, bu süreçte temel bir rol oynamaktadır. Bu çalışma, çeşitli aritmiler, konjestif kalp yetmezliği (KKY) ve normal sinüs ritmi (NSR) gibi kardiyak durumların sınıflandırılmasına odaklanmaktadır. Çalışma kapsamında, çeşitli aritmi türleri, KKY ve NSR sinyallerini içeren iki farklı veri seti kullanılarak üç ayrı EKG sınıflandırma uygulaması gerçekleştirilmiştir. Bu amaçla, yenilikçi sinyal işleme yöntemleri ile derin öğrenme modelleri bir araya getirilmiş ve EKG sinyallerinin lokal ve global özelliklerini analiz etmek için ortogonal fark bir boyutlu yerel ikili desen (OD-1D-LBP), merkezden bağımsız bir boyutlu yerel ikili desen (CI-1D-LBP) ve sürekli zamanlı dalgacık dönüşümü (CWT) tabanlı motif dönüşümü (MD) yöntemleri uygulanmıştır.
Çalışmanın ilk uygulamasında, OD-1D-LBP yöntemiyle KKY, atriyal fibrilasyon (AF) ve NSR sinyalleri sınıflandırılmıştır. Bu yöntemde çıkarılan öznitelikler uzun kısa süreli bellek (LSTM) ve bir boyutlu konvolüsyonel sinir ağları (1D-CNN) modelleriyle değerlendirilmiş ve en iyi sonuç %98.97 doğruluk oranı ile hibrit OD-1D-LBP+LSTM modeliyle elde edilmiştir. OD-1D-LBP+1D-CNN modeli de %98.86 doğruluk oranı ile rekabetçi bir performans sergilemiştir. OD-1D-LBP’nin, sinyallerin lokal özelliklerini belirginleştirme konusundaki başarısı, kardiyak durumların ayırt edilmesinde etkili bir araç olduğunu ortaya koymuştur.
İkinci uygulamada, CI-1D-LBP yöntemi dört farklı aritmi türünün (ventriküler atım, supraventriküler atım, füzyon atımı ve tanımlanmamış aritmi) sınıflandırılmasında kullanılmıştır. Bu yöntemde elde edilen özniteliklerle LSTM, GRU ve 1D-CNN modelleri uygulanmış, CI-1D-LBP+GRU hibrit modeli %98.59 doğruluk oranıyla en iyi sonucu vermiştir. CI-1D-LBP+LSTM hibrit modeli %98.02, CI-1D-LBP+1D-CNN hibrit modeli ise %97.17 doğruluk oranına ulaşmıştır. CI-1D-LBP+GRU’nun farklı aritmi türlerini ayırt etmedeki başarısı, yöntemin güçlü bir analiz çerçevesi sunduğunu göstermektedir.
Üçüncü uygulamada, motif dönüşümü ve CWT yöntemleri birleştirilmiş ve KKY, AF ve NSR sinyalleri zaman-frekans düzleminde analiz edilmiştir. Bu analiz sonucunda oluşturulan skalogram görüntüleri, DenseNet modelleri ile sınıflandırılmıştır. DenseNet169 modeli %99.31 doğruluk oranı ile en başarılı sonuçları sağlamış, DenseNet121 ve DenseNet201 modelleri ise sırasıyla %98.30 ve %98.97 doğruluk oranlarına ulaşmıştır. Motif dönüşümü ve CWT’nin entegre kullanımı, sinyallerin zaman-frekans analizinde etkili bir yöntem olduğunu kanıtlamıştır.
Elde edilen sonuçlar, bu tez çalışmasında kullanılan yöntemlerin literatürdeki yaklaşımlara kıyasla üstün performans sunduğunu ve kardiyak durumların teşhisinde önemli bir yenilik sağladığını göstermektedir. Bu yöntemlerin, klinik uygulamalara entegre edilerek kardiyovasküler hastalıkların tanısında doğruluk ve güvenilirliği artırma potansiyeline sahip olduğu öngörülmektedir. Ayrıca, farklı modellerin ve veri setlerinin karşılaştırılması, bu yöntemlerin sadece bir sinyal türünde değil, farklı kardiyak durumların analizinde de genelleştirilebilir ve güvenilir bir çerçeve sunduğunu göstermiştir. Önerilen yöntemlerin ayırt edici öznitelikler çıkarma yeteneği ve derin öğrenme modelleriyle sağladığı yüksek doğruluk oranları, kardiyak sinyallerin analizine yönelik yeni standartlar belirleme potansiyeline sahiptir. Bu çalışma, kullanılan tekniklerin klinik uygulamalara entegrasyonu halinde, tanı süreçlerinin doğruluğunu ve hızını artırarak hasta bakım kalitesini iyileştirme kapasitesine sahip olduğunu göstermektedir. Elde edilen bulgular, sadece literatürdeki yaklaşımlara üstünlük sağlamakla kalmayıp, kardiyovasküler hastalıkların teşhisinde daha güvenilir ve etkili çözümler sunmaktadır.
Cardiovascular diseases are among the leading causes of death worldwide, highlighting the critical importance of early diagnosis and accurate detection. This study focuses on the classification of various cardiac conditions, including arrhythmias, congestive heart failure (CHF), and normal sinus rhythm (NSR). Using two distinct datasets containing signals of various arrhythmias, CHF, and NSR, three separate ECG classification applications were performed. To achieve this, innovative signal processing methods were combined with deep learning models, and OD-1D-LBP, CI-1D-LBP, and Continuous Wavelet Transform (CWT)-based Motif Transformation (MT) techniques were applied to analyze the local and global features of ECG signals. In the first application, OD-1D-LBP was used to classify CHF, atrial fibrillation (AF), and NSR signals. The features extracted using this method were evaluated with LSTM and 1D-CNN models, with the highest accuracy of 98.97% achieved using the LSTM model. The 1D-CNN model also demonstrated competitive performance with an accuracy of 98.86%. The success of OD-1D-LBP in highlighting local features of signals has proven it to be an effective tool for distinguishing cardiac conditions. In the second application, CI-1D-LBP was employed to classify four types of arrhythmias: ventricular beats, supraventricular beats, fusion beats, and unidentified arrhythmias. Features extracted through this method were analyzed using LSTM, GRU, and 1D-CNN models, with the GRU model achieving the highest accuracy of 98.59%. The LSTM and 1D-CNN models followed with accuracies of 98.02% and 97.17%, respectively. The ability of CI-1D-LBP to differentiate between various arrhythmia types demonstrates its effectiveness as a robust analytical framework. In the third application, MT and CWT techniques were combined to analyze CHF, AF, and NSR signals in the time-frequency domain. The resulting scalogram images were classified using DenseNet models. The DenseNet169 model achieved the highest accuracy of 99.31%, while DenseNet121 and DenseNet201 models yielded accuracies of 98.30% and 98.97%, respectively. The integrated use of Motif Transformation and CWT has proven to be an effective approach for time-frequency analysis of cardiac signals. The results demonstrate that the methods used in this thesis outperform those reported in the literature and provide significant advancements in the diagnosis of cardiac conditions. These methods are projected to enhance accuracy and reliability when integrated into clinical applications for the diagnosis of cardiovascular diseases. Furthermore, the comparison of different models and datasets shows that these methods provide a generalizable and reliable framework not only for a specific signal type but also for the analysis of various cardiac conditions. The high accuracy achieved through the extraction of distinctive features and the application of deep learning models highlights the potential of these techniques to set new standards for cardiac signal analysis. This study suggests that the integration of these methods into clinical settings can improve the accuracy and efficiency of diagnostic processes, thereby enhancing the quality of patient care. The findings of this work not only surpass existing approaches in the literature but also provide more reliable and effective solutions for the diagnosis of cardiovascular diseases.
Cardiovascular diseases are among the leading causes of death worldwide, highlighting the critical importance of early diagnosis and accurate detection. This study focuses on the classification of various cardiac conditions, including arrhythmias, congestive heart failure (CHF), and normal sinus rhythm (NSR). Using two distinct datasets containing signals of various arrhythmias, CHF, and NSR, three separate ECG classification applications were performed. To achieve this, innovative signal processing methods were combined with deep learning models, and OD-1D-LBP, CI-1D-LBP, and Continuous Wavelet Transform (CWT)-based Motif Transformation (MT) techniques were applied to analyze the local and global features of ECG signals. In the first application, OD-1D-LBP was used to classify CHF, atrial fibrillation (AF), and NSR signals. The features extracted using this method were evaluated with LSTM and 1D-CNN models, with the highest accuracy of 98.97% achieved using the LSTM model. The 1D-CNN model also demonstrated competitive performance with an accuracy of 98.86%. The success of OD-1D-LBP in highlighting local features of signals has proven it to be an effective tool for distinguishing cardiac conditions. In the second application, CI-1D-LBP was employed to classify four types of arrhythmias: ventricular beats, supraventricular beats, fusion beats, and unidentified arrhythmias. Features extracted through this method were analyzed using LSTM, GRU, and 1D-CNN models, with the GRU model achieving the highest accuracy of 98.59%. The LSTM and 1D-CNN models followed with accuracies of 98.02% and 97.17%, respectively. The ability of CI-1D-LBP to differentiate between various arrhythmia types demonstrates its effectiveness as a robust analytical framework. In the third application, MT and CWT techniques were combined to analyze CHF, AF, and NSR signals in the time-frequency domain. The resulting scalogram images were classified using DenseNet models. The DenseNet169 model achieved the highest accuracy of 99.31%, while DenseNet121 and DenseNet201 models yielded accuracies of 98.30% and 98.97%, respectively. The integrated use of Motif Transformation and CWT has proven to be an effective approach for time-frequency analysis of cardiac signals. The results demonstrate that the methods used in this thesis outperform those reported in the literature and provide significant advancements in the diagnosis of cardiac conditions. These methods are projected to enhance accuracy and reliability when integrated into clinical applications for the diagnosis of cardiovascular diseases. Furthermore, the comparison of different models and datasets shows that these methods provide a generalizable and reliable framework not only for a specific signal type but also for the analysis of various cardiac conditions. The high accuracy achieved through the extraction of distinctive features and the application of deep learning models highlights the potential of these techniques to set new standards for cardiac signal analysis. This study suggests that the integration of these methods into clinical settings can improve the accuracy and efficiency of diagnostic processes, thereby enhancing the quality of patient care. The findings of this work not only surpass existing approaches in the literature but also provide more reliable and effective solutions for the diagnosis of cardiovascular diseases.
Açıklama
Anahtar Kelimeler
CI-1D-LBP, 1D-CNN, DenseNET, EKG, GRU, LSTM, Motif Dönüşümü, OD-1D-LBP, ECG, Motif Transformation
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Tekin, H. (2025). Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle ekg sinyallerinden kardiyak durumların sınıflandırılması. (Yayınlanmamış Doktora Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
