Çok Ölçekli Temel Bileşen Analizi ve Evrişimsel Sinir Ağları ile Elektrokardiyografi Sinyallerinden Miyokart Enfarktüsünün Tespiti

Year 2022, Issue: 39, 138 - 142, 31.07.2022

Arda Aydoğan , Buse İçme , Ali İnce , Sümeyya Arıkan , Fatma Latifoğlu

https://doi.org/10.31590/ejosat.1146011

Abstract

Miyokart enfarktüsü (kalp krizi) çok kısa sürede müdahale edilmesi gereken hayati bir hastalıktır. Hastaya ait elektrokardiyografi (EKG) verilerinin analizi teşhiste önemli bir yer tutmaktadır. Bu nedenle bu hastalığın daha hızlı ve doğru olarak belirlenebilmesi için son yıllarda bilgisayar destekli karar destek sistemlerden faydalanılmaktadır. Bu çalışmada miyokart enfarktüsü tanısı almış 61 hastadan ve 52 sağlıklı bireyden elde edilen EKG sinyalleri ve Evrişimsel sinir ağları (ESA) kullanılarak miyokart enfarktüsüne yönelik sınıflandırma modeli ortaya konmuştur. EKG sinyallerine sonlu dürtü yanıtlı (FIR) süzgeç, sonsuz dürtü yanıtı (IIR) süzgeç ve çok ölçekli temel bileşen analizi uygulanarak üç farklı süzgeç ile ön işlemeden geçirilmiştir. Sinyaller daha sonra geliştirilen ESA modeli yardımıyla sınıflandırılmıştır. Elde edilen sonuçlara göre çok ölçekli temel bileşen analizi kullanılarak ön işlemeden geçirilen sinyaller kullanılarak %92.3 doğruluk oranıyla sınıflandırma başarısı elde edilmiştir ve FIR, IIR süzgeç yardımıyla ön işleme yapılan sinyallerin sınıflandırılmasına göre daha başarılı sınıflandırma performansının elde edildiği görülmüştür.

Keywords

Biyomedikal Sinyal İşleme, Evrişimsel Sinir Ağları, Çok Ölçekli Temel Bileşen Analizi, EKG, Miyokard Enfarktüsü

Detection of Myocardial Infarction from Electrocardiography Signals with Multiscale Principal Component Analysis and Convolutional Neural Networks

Abstract

Myocardial Infarction is a vital disease that needs to be intervened in a very short time. The analysis of the patient's electrocardiography (ECG) data has an important place in the diagnosis. For this reason, computer aided decision support systems have been used in recent years in order to determine this disease more quickly and accurately. In this study, classification was made using convolutional neural network algorithms on the ECG signals obtained from 61 patients diagnosed with myocardial infarction and 52 healthy individuals. ECG signals are preprocessed with three different filters by applying finite impulse response (FIR) filter, infinite impulse response (IIR) filter and multiscale principal component analysis. According to the results obtained, classification success was achieved with 92.3% accuracy by using the preprocessed signals using multi-scale principal component analysis, and it was seen that more successful classification performance was obtained compared to the classification of the preprocessed signals with the help of FIR, IIR filter.

Keywords

Biomedical Signal Analysis, Convolutional Neural Networks, Multislice Principal Companent Analysis, ECG, Myocardial Infarction

References

• Benjamin, E. J., Muntner, P., Alonso, A., Bittencourt, M. S., Callaway, C. W., Carson, A. P., ... & American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee. (2019). Heart disease and stroke statistics—2019 update: a report from the American Heart Association. Circulation, 139(10), e56-e528
• Acharya, U. R., Fujita, H., Oh, S. L., Hagiwara, Y., Tan, J. H., & Adam, M. (2017). Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Information Sciences, 415, 190-198.
• Loeffler, S., & Starobin, J. (2021). Reaction-diffusion informed approach to determine myocardial ischemia using stochastic in-silico ECGs and CNNs. Computers in Biology and Medicine, 136, 104635.
• Liu, X., Wang, H., Li, Z., & Qin, L. (2021). Deep learning in ECG diagnosis: A review. Knowledge-Based Systems, 227, 107187.
• Thygesen, K., Alpert, JS, White, HD ve Miyokard Enfarktüsünün Yeniden Tanımlanması için Ortak ESC/ACCF/AHA/WHF Görev Gücü. (2007). Miyokard enfarktüsünün evrensel tanımı. Amerikan Kardiyoloji Koleji Dergisi, 50 (22), 2173-2195
• Ramesh, G., Satyanarayana, D., & Sailaja, M. (2021). Composite feature vector based cardiac arrhythmia classification using convolutional neural networks. Journal of Ambient Intelligence and Humanized Computing, 12(6), 6465-6478.
• Wang, T., Lu, C., Shen, G., & Hong, F. (2019). Sleep apnea detection from a single-lead ECG signal with automatic feature-extraction through a modified LeNet-5 convolutional neural network. PeerJ, 7, e7731.
• Hassan, A. R. (2016). Computer-aided obstructive sleep apnea detection using normal inverse Gaussian parameters and adaptive boosting. Biomedical Signal Processing and Control, 29, 22-30.
• Zarei, A., & Asl, B. M. (2018). Automatic detection of obstructive sleep apnea using wavelet transform and entropy-based features from single-lead ECG signal. IEEE journal of biomedical and health informatics, 23(3), 1011-1021.
• Terzi, M. B., Abaci, A., Arikan, O., Candemir, M., & Dedeoglu, M. (2020). The GU-ECG Database: ECG Datasets for Detection and Classification of Acute Myocardial Ischaemia Through Machine Learning. Mendeley Data, v1.
• Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., ... & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. circulation, 101(23), e215-e220.
• Eltrass, A. S. (2022). Novel cascade filter design of improved sparse low-rank matrix estimation and kernel adaptive filtering for ECG denoising and artifacts cancellation. Biomedical Signal Processing and Control, 77, 103750.,
• Özpolat, E., Karakaya, B., & Gülten, A. (2017). FIR Filtre Tasarımı ve FPGA Ortamında Gerçeklenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 269-275.
• Dandıl, E., Turkan, M., Mustafa, B. O. Ğ. A., & Çevik, K. K. (2019). Daha hızlı bölgesel-evrişimsel sinir ağları ile sığır yüzlerinin tanınması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6, 177-189.
• Ali, H., Maulud, A. S., Zabiri, H., Nawaz, M., Suleman, H., & Taqvi, S. A. A. (2022). Multiscale Principal Component Analysis-Signed Directed Graph Based Process Monitoring and Fault Diagnosis. ACS omega, 7(11), 9496- 9512.
• Lee, D. S., Park, J. M., & Vanrolleghem, P. A. (2005). Adaptive multiscale principal component analysis for on-line monitoring of a sequencing batch reactor. Journal of Biotechnology, 116(2), 195-210.
• Sharmila, K., Krishna, E. H., Reddy, K. N., & Reddy, K. A. (2011, May). Application of multiscale principal component analysis (MSPCA) for enhancement of ECG signals. In 2011 IEEE International Instrumentation and Measurement Technology Conference (pp. 1-5). IEEE.
• Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017, August). Understanding of a convolutional neural network. In 2017 international conference on engineering and technology (ICET) (pp. 1-6). IEEE.
• Başaran, E., Cömert, Z., Sengur, A., Budak, Ü., Celik, Y., & Toğaçar, M. (2020). Normal ve Kronik Hastalıklı Orta Kulak İmgelerinin Evrişimsel Sinir Ağları Yöntemiyle Tespit Edilmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 13(1), 1-10.
• Ali, A. R. I., & Hanbay, D. (2018). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(3), 1395-1408.
• Türkoğlu, M., Hanbay, K., S., Sı̇vrı̇kaya, I., & Hanbay, D. (2020). Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9 (1), 334-345.