Ecg arrythmia classification using deep neural network

Abstract

For assessing heart electrical signals, the ECG is the most cost-effective diagnostic technique used worldwide. Arrhythmia is hazardous and, in most cases, fatal. Arrhythmias are of different forms, and an ECG test detect it. Patients and the doctors benefit from the automated systems used to detect arrythmias. Due to the technological advancements the diagnosis can be automated, and the disease can be deducted. Deep Learning approaches are extremely valuable in the creation of expert systems for disease identification. CNN and LSTM are a very helpful algorithm used for various disease identification systems so we will use CNN and LSTM for the detecting the ECG arrythmia. Every ECG signal is pre-processed to eliminate the baseline before being segmented using a straightforward approach. The suggested approach obtained improved precision for ECG classification in simulation experiments using the MIT-BIH database. Compared to modern methods, our model generates significant results.

Kalp elektrik sinyallerini değerlendirmek için EKG, dünya çapında kullanılan en çekici ve düşük maliyetli tanı tekniğidir. Aritmi tehlikelidir ve çoğu durumda ölümcüldür. Aritmiler farklı şekillerdedir ve bir EKG testi bunu tespit eder. Hastalar ve doktorlar, aritmileri tespit etmek gelişmeler için kullanılan otomatik sistemlerden yararlanır. Teknolojik sayesinde teşhis otomatik hale getirilebilmekte ve hastalık ayıklanabilmektedir. Derin Öğrenme yaklaşımları, hastalık tanımlaması için uzman sistemlerin oluşturulmasında son derece de ğerlidir. CNN ve LSTM, çeşitli hastalık tanımlama sistemleri için kullanılan çok yararlı bir algoritmadır, bu nedenle EKG sinyalinin tespiti için CNN ve LSTM'yi kullanacağız. Her EKG sinyali, basit bir yaklaşım kullanılarak bölümlere ayrılmadan önce taban çizgisini ortadan kaldırmak için önceden işlenir. Önerilen yaklaşım, MITBIH veritabanını kullanan simülasyon deneylerinde EKG sınıflandırması için gelişmiş hassasiyet elde etti. Sonuçlar en modern yaklaşımlarla karşılaştırıldığında modelimiz daha iyi sonu çlar vermektedir.Anahtar Kelimeler: Makine Öğrenimi (ML), Derin Öğrenme, Evrişimli Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM), Derin Sinir Ağları, EKG Sinyalleri, Bilgisayar Destekli Tanı Sistemleri.