Özet:
Ritim bozukluğu olarak da bilinen aritmi erken bir aşamada tespit edilmelidir. Bu süreçte doktorlara yardım edebilmek ve hızlı bir şekilde teşhis için klinik karar destek sistemlerine ihtiyaç duyulmaktadır. Çalışmada öznitelik olarak dalgacık katsayıları, morfolojik öznitelikler ve Hjorth parametreleri incelenmiş ve karşılaştırılmıştır. Dokuz aritmi sınıfını sınıflandırmak hedeflenmiştir. Sınıflandırma aşamasında temel sınıflandırıcılar olarak Ağaç yöntemleri, K En Yakın Komşuluk algoritmaları, Destek Vektör Makineleri, Topluluk sınıflandırıcıları, Lojistik Regresyon ve Diskriminant Analiz kullanılmıştır. Derin öğrenme ile sınıflandırmada ise Konvolüsyonel Sinir Ağları ve İğnecikli Sinir Ağları analizi yapılmıştır. Ayrıca gerçek zamanlı aritmi tespiti için bir modelde geliştirilmiştir. Tüm analizler için hızlı karar verme imkânı veren ve doğruluğu yüksek sistemler oluşturulması hedeflenmiştir. Sinyali, bir öznitelik kümesi kullanmadan girdi olarak kullanarak, hesaplama yükünü azaltmak ve konvolüsyonel sinir ağındaki sınıflandırmaya yönelik işlemleri basitleştirmek mümkündür. Öznitelik seçimi ve konvolüsyonel sinir ağının birlikte kullanımı ile daha başarılı sonuçlar elde edilebilir. Böylece, hızlı bir şekilde öğrenebilen ve yüksek doğruluk elde edebilen optimize edilmiş bir konvolüsyonel sinir ağı tanımlanabilir.
Arrhythmia, also known as rhythm disturbance, should be detected at an early stage. Clinical decision support systems are needed to help doctors and diagnose quickly. The wavelet coefficients, morphological properties, and Hjorth parameters are studied and compared in the study. It is aimed to classify nine arrhythmia classes. Tree methods, K Nearest Neighborhood algorithms, Support Vector Machines, Ensemble classifiers, Logistic Regression and Discriminant Analysis, were used as basic classifiers in the classification phase. Convolutional neural networks and spiking neural networks were analyzed in the classification with deep learning. Also, a model for real-time arrhythmia detection have been developed. It is aimed to create systems with quick decision making and high accuracy for all analyzes. By using the signal as input without using a set of features, it is possible to reduce the computational load and simplify the operations for classification in the convolutional neural network. More successful results can be achieved with the combination of feature selection and usage of the convolutional neural network. Thus, an optimized convolutional neural network which can learn quickly and achieve high accuracy can be defined.
