Atriyal Fibrilasyon Tespiti için Evrişimli Sinir Ağı Tabanlı Bir Derin Ağ Modeli

Abstract

Atriyal Fibrilasyon (AFib), yaşlılarda ve hatta herhangi bir kalp hastalığı olmayan gençlerde bile görülebilen yaygın bir kalp ritim bozukluğudur. AFib; inme, kalp yetmezliği ve ani ölümlere neden olabilir. Tüm bu mevcut ve gelecekteki endişeler, dünya çapında AFib'in erken tespitinde önemli önlemlerin alınmasını gerektirir. Elektrokardiyografik (EKG) dalga formları, AFib gibi anormal kalp ritimlerini saptamak için en güvenilir yöntem olarak kabul edilmektedir. Ancak EKG sinyallerinin karmaşıklığı ve doğrusal olmaması nedeniyle bu sinyalleri manuel olarak analiz etmek zordur. Bunun yanı sıra, EKG sinyallerinin yorumlanması kişiye özgü ve uzmanlar arasında farklılık gösterebilmektedir. Bu nedenle otomatik ve güvenilir bir AFib algılama için bilgisayar destekli teşhis (BDT) sistemlerinin kullanımı önemlidir. BDT sistemleri, EKG sinyallerinin değerlendirilmesinin objektif ve doğru olmasını sağlayacak potansiyele sahiptir. Bu çalışmada, derin öğrenme yapısı kullanılarak EKG sinyallerinden otomatik AFib tespiti gerçekleştirilmiştir. Derin öğrenme algoritmalarından evrişimli sinir ağı (ESA) mimarisinin AFib sınıflandırma probleminde kullanımı için çalışma kapsamında derin bir ağ modeli tasarlanmıştır. Kullanılan verisetinde normal sinüs ritimlerinin (SR) yanısıra AFib ve Atriyal Flutter (AFL) aritmileri bulunmaktadır. AFib ve AFL sınıfları birleştirilerek model çıkışında SR ve AFib ayırımının otomatik yapılması sağlanmıştır. Önerilen model, 2222 SR ve 2218 AFib tanısı alan kişilere ait her biri 5000 örneğe sahip EKG sinyali içeren veri seti üzerinde uygulanmıştır. Çalışma kapsamında hazırlanan ESA modeli, test aşamasında sırasıyla %95.09 hassasiyet, %97.27 özgüllük ve %97.26 kesinlik değerlerine ulaşmıştır. Modelin test verileri üzerindeki doğruluk oranı %96.17 olarak elde edilmiştir.

Keywords

• atrial fibrillation
• convolutional neural networks
• deep learning
• atriyal fibrilasyon
• evrişimsel sinir ağları
• derin öğrenme