Dergiler / 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)

Sayfa
1364–1376
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu bağlamda, DGA-UÖM ile yapılan sınıflandırmada sigmoid aktivasyon fonksiyonu ve 750 iterasyon ile % 79.37 en iyi maliyet değerine ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektrokardiyogram (EKG) işaretlerinin hareketleri kalp hastalıklarının teşhisinde çok önemlidir.
📊
Temel Bulgular & Veri:Makine öğrenme yöntemleri, EKG işaretlerini sınıflandırmak için yaygın olarak kullanılmaktadır.
💡
Sonuç & Katkı:Bu bağlamda, DGA-UÖM ile yapılan sınıflandırmada sigmoid aktivasyon fonksiyonu ve 750 iterasyon ile % 79.37 en iyi maliyet değerine ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Elektrokardiyogram (EKG) işaretlerinin hareketleri kalp hastalıklarının teşhisinde çok önemlidir. Makine öğrenme yöntemleri, EKG işaretlerini sınıflandırmak için yaygın olarak kullanılmaktadır. Bu çalışmanın amacı, Diferansiyel Evrim Algoritması Uç Öğrenme Makinesinin (DGA-UÖM) kullanarak EKG işaretlerinin sınıflandırılmasına katkıda bulunmaktır. Bu çalışmada, EKG iaşretlerini sınıflandırmak için Physionet'teki açık erişimli kalp kayıtları kullanılmıştır. EKG işaretlerini gürültüden arındımak için ön işlem süreci uygulanmıştır. Daha sonra, özellik çıkarımı aşaması için EKG işaretleri spektogramlara dönüştürülmüştür. EKG işaretlerinin özelliklerini elde etmek için Konvolüsyonel Sinir Ağına (KSA) dayanan bir yöntem kullanılmıştır. DGA-UÖM algoritması en iyi aktivasyon fonksiyonun seçmek için kullanılmıştır. Bu bağlamda, DGA-UÖM ile yapılan sınıflandırmada sigmoid aktivasyon fonksiyonu ve 750 iterasyon ile % 79.37 en iyi maliyet değerine ulaşılmıştır.

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 theclassification 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 wasapplied to eliminate the ECG signals from noise. Then, the ECG signals were converted to spectrograms for thefeature extraction stage. A method was used originated on Convolutional Neural Network (CNN) to obtain theattributes 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 withDGA-ELM was achieved.

🔖

Bu Makaleye Atıf Yap

DİKER, A., AVCI, E. (2022). ECG Signal Classification Technique Based on Deep Features Using Differential Evolution Algorithm Extreme Learning Machine (DEA-ELM). Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Cilt: 9 - Sayı: 3, 1364–1376. https://ajindex.com/articles/466731

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Teodoro F.G.S., Peres S.M., Lima C.A. 2017. Feature selection for biometric recognition based on electrocardiogram signals. In 2017 International Joint Conference on Neural Networks (IJCNN), IEEE, 2911-2920
  2. Diker A., Avci E., Gedikpinar M. 2017. Determination of R-peaks in ECG signal using Hilbert Transform and Pan-Tompkins Algorithms. In 2017 25th Signal Processing and Communications Applications Conference (SIU), IEEE, 1-4
  3. Ojha D.K., Subashini M. 2014. Analysis of electrocardiograph (ecg) signal for the detection of abnormalities using matlab. World Academy of Science, Engineering and Technology, International Journal of Medical, Health, Pharmaceutical and Biomedical Engineering, 8 (2): 114- 117
  4. Sadhukhan D., Mitra M. 2012. Detection of ECG characteristic features using slope thresholding and relative magnitude comparison. In 2012 Third International Conference on Emerging Applications of Information Technology, IEEE, 122-126
  5. Kulkarni S.P. 2015. DWT and ANN Based Heart Arrhythmia Disease Diagnosis from MIT-BIH ECG Signal Data. International Journal on Recent and Innovation Trends in Computing and Communication, 3 (1): 276-279
  6. Escalona-Morán M.A., Soriano M.C., Fischer I., Mirasso C.R. 2014. Electrocardiogram classification using reservoir computing with logistic regression. IEEE Journal of Biomedical and health Informatics, 19 (3): 892-898
  7. Mannurmath J.C., Raveendra M. 2014. MATLAB based ECG signal classification. International Journal of Science, Engineering and Technology Research (IJSETR), 3 (7): 1946-1950
  8. Pasolli E., Melgani F. 2015. Genetic algorithm-based method for mitigating label noise issue in ECG signal classification. Biomedical Signal Processing and Control, 19: 130-136
  9. Rai H.M., Trivedi A., Shukla S. 2013. ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier. Measurement, 46 (9): 3238-3246
  10. Korürek M., Doğan B. 2010. ECG beat classification using particle swarm optimization and radial basis function neural network. Expert systems with Applications, 37 (12): 7563-7569
  11. Khorrami H., Moavenian M. 2010. A comparative study of DWT, CWT and DCT transformations in ECG arrhythmias classification. Expert systems with Applications, 37 (8): 5751-5757
  12. Karpagachelvi S., Arthanari M., Sivakumar M. 2011. Classification of Electrocardiogram signals with extreme learning machine and relevance vector machine. Internationa