Günümüzde teknolojinin hızla ilerlemesi ile birlikte yapay zekâ yöntemleri de birçok alanda sıklıkla kullanılmaktadır. Yapay zekanın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektöründe erken teşhis, insan kaynaklı hataların minimuma indirilmesi gibi birçok durumda yapay zekâ yöntemleri kullanılmaktadır. Çalışmada açık kaynak erişimli internet sitesinden (kaggle.com) elde edilen 127710 adet EKG sinyallerine ait veri seti kullanılmıştır. Veri seti 100.710 adet eğitim, 1.500 adet veri de test ve kalan 25.000 adet veri ise doğrulama verisi olarak kullanılmıştır. Eğitim verileri için tasarlanan CNN modeli normal sinüs ritmi, supraventriküler erken atım, erken ventriküler kasılma, ventriküler ve normal atımın karışımı ve sınıflandırılamayan atım olmak üzere toplam beş sınıf için eğitilmiştir. Tasarlanan CNN modelinde hata oranı %5,3, duyarlık oranı %94,4, hassasiyet oranı %94,6, F-değeri ise %94,4 ve %94,7 doğruluk oranı olmak üzere beş farklı performans kriterine göre değerlendirilmiştir.
Çalışmada “MIT-BIH Aritmi Veri seti” ve “PTB Teşhis EKG” veri setlerini açık kaynak erişimli internet sitesine (kaggle.com) aktaran kişi/kişilere teşekkürlerimizi sunarız.
Today, with the fast advancement of technology, artificial intelligence methods are frequently used in many areas. One of the important uses of artificial intelligence is the health sector. Artificial intelligence methods are used in many situations such as early diagnosis and minimization of human-induced errors in the health sector. In the study, the data set of 127710 ECG signals obtained from an open source website (kaggle.com) was used. The data set was used as 100,710 training data, 1,500 data as test and the remaining 25,000 data as validation data. Designed for training data, the CNN model was trained for a total of five classes: normal sinus rhythm, supraventricular premature beats, premature ventricular contraction, mixed ventricular and normal beats, unclassified beats. In the designed CNN model, the error rate 5.3%, the sensitivity rate 94.4%, the specificity 94.6%, the F-value 94.4% and accuracy 94.7% was evaluated according to five different performance criteria.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | January 31, 2021 |
Published in Issue | Year 2021 Volume: 9 Issue: 1 |