Convolutional autoencoder based heart arrhythmia detection system / Evrişimli otomatik kodlayıcı tabanlı aritmi tespit sistemi

Abstract

Hastaların uzaktan izlenmesi, hastalıkların erken teşhisi ve yaşam kalitesinin iyileştirilmesi açısından çok önemlidir. Derin öğrenme tekniklerinin hızlı gelişimi, giyilebilir sağlık teknolojilerini önemli ölçüde ilerletmiş ve otomatik teşhisi giderek daha önemli hale getirmiştir. Bu çalışmada, özellik çıkarımı ve sınıflandırma için özel bir dalgacık tabanlı konvolüsyonel otomatik kodlayıcı (WBCAE) modeli kullanan yenilikçi bir derin öğrenme yaklaşımı öneriyoruz. Otomatik kodlayıcı model, dalgacıkların zaman-frekans alanı inceleme yeteneğini, otokodlayıcıların veri odaklı özellik öğrenme gücüyle ustaca birleştirir. Bu çalışma, normal sinüs ritmi (NSR), sağ dal bloğu (RBBB), sol dal bloğu (LBBB), atriyal prematüre kasılma (APC) ve prematüre ventriküler kasılma (PVC) gibi farklı tipte kardiyak aritmilerin yanı sıra atriyal fibrilasyonun (AF) sınıflandırılmasına odaklanmaktadır. Derin öğrenme tabanlı modelleri kullanarak aritmi sınıflandırmasının doğruluğunu ve verimliliğini önemli ölçüde artırmayı amaçlıyoruz, böylece erken hastalık tespiti ve kapsamlı hasta izleme için sağlam bir çerçeve sağlıyoruz. Bu çalışmanın temel hedefleri, otomatik kodlayıcı tabanlı derin öğrenme algoritmalarının performansını titizlikle değerlendirmek ve çeşitli kardiyak aritmilerin sınıflandırılmasını otomatikleştirmektir. Deneylerimizden elde edilen bulgular, kardiyak hastalık teşhisinde derin öğrenme tabanlı modellerin kullanılmasının önemini vurgulamakta ve dalgacık yöntemlerinin otomatik kodlayıcılarla entegrasyonunun biyomedikal sinyal işleme sistemlerindeki büyük potansiyelini göstermektedir. Bu çalışma, erken hastalık tespiti ve hasta izleme için güvenilir bir araç sunarak tıbbi teşhisler alanına önemli bir katkı sağlamakta ve nihayetinde sağlık sonuçlarını geliştirmektedir. Remote monitoring of patients is essential for the early diagnosis of diseases and improving quality of life. The rapid development of deep learning techniques has significantly advanced wearable health technologies, making automatic diagnosis increasingly important. This study proposes a deep learning approach for classifying arrhythmias using a customized wavelet-based convolutional autoencoder (WBCAE) model for feature extraction and classification. The autoencoder model ingeniously combines the time-frequency domain examination capability of wavelets with the data-driven feature learning power of autoencoders. This thesis targets the classification of distinct types of cardiac arrhythmias: normal sinus rhythm (NSR), right bundle branch block (RBBB), left bundle branch block (LBBB), atrial premature contraction (APC), and premature ventricular contraction (PVC), in addition to atrial fibrillation (AF). Two different autoencoder approaches were employed in this thesis. The first one is to use an autoencoder as an anomaly detector, where the autoencoder is trained with only normal samples and abnormal inputs produce higher reconstruction errors. The second method is to use an autoencoder as a feature extractor. In this approach, samples from all classes are used in the training. Then, the compressed representation obtained at the encoder layer output is used with a classifier. The primary objectives of this thesis are to rigorously evaluate the performance of autoencoder-based deep learning algorithms and automate the classification of various cardiac arrhythmias. The findings from our experiments underscore the importance of employing deep learning-based models in cardiac disease diagnosis, showcasing the immense potential of integrating wavelet methods with autoencoders in biomedical signal processing systems. This study substantially contributes to medical diagnostics by delivering a dependable tool for early disease detection and patient monitoring, ultimately advancing healthcare outcomes.