ECG SIGNAL CLASSIFICATION WITH DEEP LEARNING AND MACHINE LEARNING: REPRESENTATION OF QRS COMPLEXES IN TWO-DIMENSIONAL FRAMES AND DATA BALANCING WITH SMOTE

Bu çalışma, bilgisayar destekli analiz yöntemleri aracılığıyla insan kaynaklı değişkenliği azaltarak güvenilir ECG sinyali yorumlamasını desteklemeyi amaçlamaktadır. Makine öğrenmesi ve derin öğrenme yöntemleri, ECG sınıflandırmasında iki boyutlu ECG temsillerini ve Synthetic Minority Over-sampling Technique (SMOTE) tabanlı veri dengelemenin etkisini incelemek amacıyla kullanılmıştır. Mevcut ECG sınıflandırma çalışmalarında genellikle sinyal temsili ve sınıf dengesizliği ayrı ayrı ele alınırken, bu çalışmada iki boyutlu QRS temsili ile SMOTE tabanlı veri dengelemenin etkileşimi tek bir deneysel çerçeve içerisinde birlikte incelenmiş ve bu yaklaşımların sınıflandırma performansı üzerindeki birleşik etkisi sistematik olarak analiz edilmiştir. Yapay Sinir Ağları (ANN), Evrişimsel Sinir Ağları (CNN) ve K-En Yakın Komşu (KNN) algoritmaları uygulanmış ve karşılaştırmalı olarak analiz edilmiştir. MIT-BIH Aritmi veri setinin 108 numaralı kaydından elde edilen ECG atımları, sınıflandırma amacıyla görsel tabanlı bir biçimde temsil edilmiştir. Ciddi sınıf dengesizliğini gidermek amacıyla SMOTE yalnızca eğitim verisine uygulanmış ve iki boyutlu ECG temsilleri üzerindeki etkisi açıkça incelenmiştir. Normal ve Anormal kalp atımları, tabakalı 5 katlı çapraz doğrulama stratejisi kullanılarak sınıflandırılmıştır. Deneysel sonuçlar, SMOTE uygulandıktan sonra CNN modelinin %99,82 ± 0,002 ağırlıklı ortalama F1-skoru ile en başarılı performansı elde ettiğini göstermiş; bu durum, iki boyutlu QRS temsili ile veri dengelemenin birlikte kullanımının otomatik ECG sınıflandırma performansını artırmadaki etkinliğini ortaya koymuştur.