Aritmi Sınıflandırmada Kullanılan Yapay Sinir Ağlarının Karmaşıklığının Azaltılması

Aritmi insan kalbindeki ritim bozukluğunu ifade etmektedir. Elektrokardiyogram kayıtlarından aritmilerin belirlenmesi, kalp rahatsızlıkların teşhis ve tedavinin sonuçlarının takibi açısından önemlidir. Yapay Sinir Ağları (YSA) aritmi sınıflandırmada kullanılan çok yaygın bir yöntemdir. Bu konuda yapılmış birçok çalışma bulunmaktadır. Bu çalışmalarda genellikle onlarca hatta bazen yüzlerce giriş nöronundan ve çok sayıda ara katmandan oluşan YSA modelleri önerilmektedir. Neticede işlemsel karmaşıklığı yüksek bu YSA modelleri ancak çevrimdışı olarak, pahalı işlemciler üzerinde çalıştırılabilir. Böyle modellerin, yoğun bakım ve acil üniteleri gibi anında karar verme gerektiren gerçek zamanlı (çevrimiçi) uygulamalarda kullanılması ise zordur. Bu çalışmada sınıflandırma hata oranını %2-3 gibi kabul edilebilir bir seviyede tutarak, YSA karmaşıklığını azaltmayı hedefledik. Giriş sayısını azaltmak için temel bileşen analizi kullandık. MIT BIH veritabanından elde edilen veriler üzerinde yaptığımız çalışmalar sonucunda, 5 girişli 4 neronlu tek ara katman kullanan bir YSA yapısının yeterli olduğunu belirledik. Bu optimal yapı, alan programlanabilir kapı dizileri üzerinde kolayca gerçekleştirilebilecektir. Bu da gerçek zamanlı, düşük güç tüketimli ve mobil aritmi detektörlerinin donanım gerçeklemeleri için kolaylık sağlayacaktır.
Arrhythmias that can be captured on the electrocardiogram signal, correspond to creation heart diseases. Therefore detection of arrhythmias is an important issue for the diagnosis and treatment follow-up of such diseases. Artificial Neural Networks (ANN) is a commonly used tool for detection and classification of arrhythmias. There exist plenty of studies in the literature, concerning ANN based arrhythmia detection. However, the suggested ANN architectures are quite complex, involving hundreds of inputs and many hidden layers. Consequently, these models with high computational complexity can only be run offline, on relatively expensive processors. This approach is not practical for emergency and intensive care applications which demand high speed online processing and decision making capability. In this study, we aimed at reducing the complexity of the ANN model, while keeping the classification error rate at an acceptable level (e.g., 2-3 %). We used principal component analysis to decrease the number of inputs. The results of the trials that we have carried on MIT BIH data indicate that an ANN with 5 inputs a single hidden layer with 4 neurons is sufficient. This optimal ANN architecture can easily be implemented on a field programmable gate array which offers advantages such as high speed, low power consumption, and suitability for mobile applications.