Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması

Authors : Ahmet Özdemir

Pages : 394-402

View : 114 | Download : 130

Publication Date : 2023-12-31

Article Type : Research Paper

Abstract :Bu çalışmada elektrokardiyografi (EKG) kayıtlarından aritmi türlerini belirlemek amacıyla modern makine öğrenme algoritmalarının kullanılanımı incelenmiştir. Amacımız, EKG sinyallerinin daha etkin bir şekilde analiz edilmesiyle aritmi sınıflandırmasında daha üstün sonuçların elde edilmesidir. Çalışmada kullanılan EKG verileri, MIT PhysioNet veri tabanındaki 203, 208, 210 ve 213 numaralı hasta kayıtlarından seçilmiştir. Bu kayıtlar, V, F ve N aritmi türleri ile etiketlenmiştir. Bagging Decision Tree (BDT), Random Forest (RF), Extra Tree (ET), Gradient Boosting (GB) ve Support Vector Machine (SVM) makine öğrenmesi algoritmaları ile yapılan sınıflandırma işlemleri neticesinde en yüksek doğruluk %98,14 doğruluk ile ET algoritması kullanılarak başarılmıştır. Bununla birlikte ET sınıflandırıcısı 2,17 saniyede eğitilmiş ve 0,0269 saniyede cevap üretebilmiştir. Elde edilen sonuçlar, yeni makine öğrenme algoritmalarının EKG aritmi sınıflandırmasında klasik Yapay Sinir Ağları tabanlı sınıflandırıcılara göre daha etkili sonuçlar üretebildiğini göstermektedir. Bu algoritmalar, geleneksel yöntemlere kıyasla daha yüksek doğruluk, hassasiyet ve özgünlük değerleri sunmaktadır.
Keywords : Makine Öğrenmesi, Bagging Decision Tree, Random Forest, Extra Tree, Gradient Boosting, Support Vector Machine