FONOKARDİYOGRAM VERİLERİNDEN DERİN ÖĞRENME TABANLI MEL-SPEKTROGRAM ANALİZİ İLE KALP ÜFÜRÜMÜ TESPİTİ

Kalp oskültasyonu, kalp seslerinin değerlendirilmesi ve kapak hastalıklarının belirlenmesinde kullanılan temel klinik yöntemlerden biridir. Ancak bu yöntemin doğruluğu büyük ölçüde klinisyenin deneyimine bağlıdır ve bu durum tanısal sonuçlarda değişkenliğe yol açabilmektedir. Bu çalışma, söz konusu sınırlamaları azaltmak amacıyla kalp seslerinin sınıflandırılmasına yönelik derin öğrenme tabanlı otomatik bir sistem önermektedir. Bu kapsamda fonokardiyogram (FKG) sinyalleri Mel-spektrogram temsiline dönüştürülerek zaman-frekans alanındaki ayırt edici özellikler elde edilmiştir. Elde edilen özellikler, kalp seslerini dört sınıfa ayırmak için kullanılmıştır: normal kalp sesleri, üfürümlü anormal sesler, normal sonuçlu üfürümler ve üfürümsüz anormal sesler. Sınıflandırma sürecinde Konvolüsyonel Sinir Ağları (CNN) kullanılmış ve ResNet50 ile ResNet152 gibi transfer öğrenme tabanlı mimarilerden yararlanılmıştır. Veri kümesindeki sınıf dengesizliğini azaltmak için hedefli veri artırma yöntemleri uygulanmıştır. Deneysel sonuçlar, ResNet152 modelinin yaklaşık %84.6 doğruluk oranı ile en iyi performansı gösterdiğini ortaya koymuştur. Elde edilen bulgular, önerilen yaklaşımın yüksek ayırt edicilik sağladığını ve klinik karar destek sistemlerinde kullanılabileceğini göstermektedir.