Journals / Bitlis Eren Üniversitesi Fen Bilimleri Dergisi / 2020 / Cilt: 9 - Sayı: 3
ECG Signal Classification Technique Based on Deep Features Using Differential Evolution Algorithm Extreme Learning Machine (DEA-ELM)
- Pages
- 1377–1388
- DOI
- —
Abstract
The movements of electrocardiogram (ECG) signals are very important in the diagnosis of heart disorders. Machine learning methods are widely used to classify ECG signals. The aim of this work is to contribute to the classification of ECG signals using the Differential Evolution Algorithm Extreme Learning Machine (DGA-ELM). In this paper, a public heart records in Physionet was utilized to classify ECG signals. The pre-processing was applied to eliminate the ECG signals from noise. Then, the ECG signals were converted to spectrograms for the feature extraction stage. A method was used originated on Convolutional Neural Network (CNN) to obtain the attributes of ECG signals. The DGA-ELM algorithm was used to select the best activation function. In this context, the best cost value 79.37% with a sigmoid activation function and 750 iteration in the classification made with DGA-ELM was achieved.
Özet
Bu çalışmada çok değişkenli verideki homojenlik ve heterojenlik durumları incelenmiş ve heterojen değişkenler belirlenmiştir. Değişkenlerdeki parçalanmaların (heterojenlik) normal karma dağılımlardaki bileşenlere denk geldiği gösterilmiş ve alt grup sayıları belirlenmiştir. K-otalamalar (k-means) algoritmaları ile değişkenlerdeki parçalanmalara atanan gözlemler belirlenmiş ve veri gruplandırma yapılmıştır. Değişkenlerdeki her bir parçalanmanın Gauss Karma Modeldeki (GMM) bir kümelenmeye karşılık geldiği varsayımı altında muhtemel küme sayıları ve küme sayıları için aralık elde edilmiş ve küme sayılarına bağlı olarak model sayıları belirlenmiştir. Parçalanma (bileşen) sayısına bağlı model sayıları Genetik Algoritmalarla (GA) belirlenmiş ve En Çok Olabilirlik Kestirimi (MLE)algoritması ile parametreler tahmin edilmiştir. Modele dayalı kümeleme yöntemi ile Gauss Karma Modeller arasından veri yapısına uyan en iyi modelin seçimi log-likelihood, AIC ve BIC gibi bilgi kriterleri ile belirlenmiştir.