Derin Öğrenme ile EKG Aritmi Tespiti ECG Arrhythmia Detection with Deep Learning Elif İZCİ 1 ve Mürşide DEĞİRMENCİ 1 1 Biyomedikal Teknolojiler Bölümü 1 İzmir Katip Çelebi Üniversitesi İzmir, Türkiye ellif.950@gmail.com, mrsddgrmnc.09@gmail.com Mehmet Akif ÖZDEMIR 2 ve Aydın AKAN 3 2 Biyomedikal Mühendisliği Bölümü, 3 Elektrik-Elektronik Mühendisliği Bölümü 2 İzmir Katip Çelebi Üniversitesi, 3 İzmir Ekonomi Üniversitesi İzmir, Türkiye makif.ozdemir@ikcu.edu.tr, akan.aydin@ieu.edu.tr Özetçe—Aritmi, kalp ritminizde anormallik oluşmasına sebep olan kalp hızının düzensizliğidir. Elektrokardiyografi (EKG) sinyalinin manuel analizi, kalp ritmindeki anormallikleri hızlı bir şekilde tanımlamak için yeterli değildir. Bu çalışma, beş farklı aritmi tipinin tespiti için 2B evrişimsel sinir ağları (ESA) mimarisine dayanan derin öğrenme yaklaşımını önermektedir. Önerilen yöntemin test edilebilmesi için EKG sinyalleri MIT-BIH aritmi veri tabanından elde edilmiştir. ESA mimarisinde kullanılabilen bir girdi olabilmesi için, her EKG sinyali kalp atımlarına bölünmüştür, daha sonra her kalp atımı 2B gri tonlamalı kalp atımı görüntüsüne dönüştürülmüştür. Görüntü tanımadaki başarısı nedeniyle 2B ESA modeli kullanılmıştır. Eğitilen modelin sonuçları farklı EKG aritmik sinyal tiplerinin sınıflandırılmasında ESA ve resim oluşturma tekniği yüksek doğrulukta sınıflama başarısına ulaşıldığını göstermiştir. Anahtar Kelimeler—Aritmi; Derin Öğrenme; EKG Resimleri. Abstract—Arrhythmia is any irregularity of heart rate that cause an abnormality in your heart rhythm. Manual analysis of Electrocardiogram (ECG) signal is not enough for quickly identify abnormalities in the heart rhythm. This paper proposes a deep learning approach for detection of five different arrhythmia types based on 2D convolutional neural networks (CNN) architecture. ECG signals were obtained from MIT-BIH arrhythmia database. For CNN architecture, each ECG signal was segmented into heartbeats, then each heartbeat was transformed into 2D grayscale heartbeat image. 2D CNN model was used due to success of image recognition. The proposed model result demonstrate that CNN and ECG image formation give highest result when classified different types of ECG arrhythmic signals. Keywords—Arrhythmia; Deep Learning; ECG Images. I. GİRİŞ Vücudumuzdaki doku ve organların çalışma prensibi hücrelerin elektrokimyasal olaylarının sonucunda oluşan potansiyel farkına dayanır. Bu potansiyel fark vücut yüzeyinden ölçülebilen elektriksel sinyaller üretir. Kalbin elektriksel aktivitesi de elektrokardiyografi (EKG) yöntemi ile ölçülüp değerlendirilir. EKG, bir kalp atışı sırasında kalbin kasılıp gevşemesine bağlı olarak oluşan potansiyel farkının vücut yüzeyine yerleştirilen elektrotlar yardımıyla kaydedilmesidir. Sağlıklı bir insanın EKG sinyalinde, her biri kalp atışının farklı evrelerini temsil eden P dalgası, QRS kompleksi, T dalgası bulunmaktadır. Belli bir süre kaydedilen EKG sinyallerinin analizi ve yorumu kalp ile ilgili oluşabilecek herhangi bir rahatsızlığın teşhisinde önemli rol oynamaktadır. Dalganın oluşma süresi, şekli veya dalgalar arasındaki süre farkından kaynaklanan anormallikler aritmik kalp ritimlerine sebep olur [1]. Aritmik sinyallerin erken ve doğru teşhisi, ani ölümle sonuçlanabilecek hastalıkları önlenmesinde kritik önem taşımaktadır. EKG sinyalinin manuel analizi, kalp ritmindeki anormalliklerin hızlı bir şekilde tespiti için yeterli değildir. Uzun süreli EKG sinyalinin uzmanlar tarafından analizi oldukça zaman almaktadır ve bu analiz problemi doğru bir şekilde tanımlamayabilir. EKG sinyallerinin incelenmesinde, teşhisin doğruluğunun arttırılması, analiz süresinin kısaltılması, oluşabilecek uzman hatalarının azaltılması gibi avantajlarından dolayı bilgisayar destekli karar sistemleri geliştirilmektedir. Literatürde EKG sinyalleri kullanılarak aritmi tespitiyle ilgili sinyal işleme yöntemlerine dayalı birçok farklı çalışma bulunmaktadır. Bu çalışmalar sinyallerden farklı özniteliklerin çıkarılması ve bu özniteliklerin sınıflandırılmasına dayanır. Zaman veya frekans bölgesinin incelenmesine bağlı olarak, EKG morfolojisi [2], R-R aralığı [3], temel bileşen analizi (TBA), bağımsız bileşen analizi (BBA), Fourier dönüşümü [4], görgül kip ayrışımı (GKA) [5], ayrık dalgacık dönüşümü (ADD) [6] gibi yöntemlerle öznitelikler çıkarılmaktadır. Aritmik ve normal sinyallerden elde edilen öznitelik vektörlerinin sınıflandırılması aşamasında farklı makine öğrenmesi algoritmaları kullanılmaktadır. Destek vektör makineleri (DVM) [7], k-en yakın komşu (k-NN) sınıflandırıcı, yapay sinir ağları (YSA) [8] EKG sinyallerinin sınıflandırılmasında kullanılan sınıflandırıcılardandır. Geleneksel makine öğrenmesi algoritmalarında, sinyal kayıt sırasında oluşabilen gürültülerin ayrıştırılabilmesi için sinyaller ön işleme aşamasından geçer. Bu aşamada sinyal çeşitli filtreler sayesinde gürültüden temizlenir. Ön işleme, öznitelik çıkarma, sınıflandırma aşamalarından oluşan makine öğrenmesi algoritmalarına alternatif olarak derin öğrenme algoritmaları geliştirilmektedir. Derin öğrenme, yapısında bulunan birçok gizli katman sayesinde ön işleme, öznitelik çıkarma ve sınıflandırma aşamalarını bir arada gerçekleştirebilmektedir [9]. Aritmik sinyallerin sınıflandırılmasıyla ilgili son çalışmalarda, 978-1-7281-7206-4/20/$31.00 ©2020 IEEE Authorized licensed use limited to: Izmir Katip Celebi Univ. Downloaded on January 10,2021 at 12:04:04 UTC from IEEE Xplore. Restrictions apply.