AI Summary & Key Takeaways
AI InsightAccording 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.
📌 3 Key Takeaways
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.
Özet
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.