ECG Signal Classification Technique Based on Deep Features Using Differential Evolution Algorithm Extreme Learning Machine (DEA-ELM)

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.