PPG sinyallerinden yapay zekâ ile gerçek zamanlı kalp ritim analizi

Abstract

Bu çalışmanın amacı, fotopletismografi (PPG) sensörü aracılığıyla elde edilen kalp ritim verilerinin gerçek?zamanlı olarak toplanması, ön işlenmesi ve yapay zekâ tabanlı yöntemlerle analiz edilerek ritim sınıflandırması yapmaktır. Bu bağlamda, sensörden Raspberry Pi 3 mikro?bilgisayara iletilen ham PPG sinyalleri Python diliyle temizlenmiş; sinyal?ön?işleme adımları (band?pass filtre, temel eğilim düzeltme, hareket artefaktı azaltma) uygulanmıştır. Çalışma teori ve uygulama olmak üzere iki bölümden oluşmaktadır. Teori bölümünde literatür taraması yapılarak PPG sensör teknolojisi, veri madenciliği, metin madenciliğine benzer biçimde zaman?serisi madenciliği ve duygu analizi yerine sinyal tabanlı duygu?benzeri ritim analizi kavramları tartışılmıştır. Uygulama kapsamında üç dakikalık oturumlarla 60 000'in üzerinde PPG örneği toplanmış; bunlardan rastgele seçilen, her biri 250 örnek içeren 1 250 pencere "Normal Sinüs", "Taşikardi" ve "Artefakt" olarak etiketlenmiştir. Etiketli veri, LightGBM tabanlı bir sınıflandırıcı ve LSTM ağı ile test edilmiş; her iki model de %90 civarında doğruluk sağlamış, ancak artefakt sınıfında LSTM'nin F1 skoru daha yüksek bulunmuştur. Elde edilen bulgular, gerçek zamanlı PPG sistemlerinde hızlı ve hafif modellerin bile klinik açıdan kabul edilebilir performans sunabileceğini göstermektedir. Sonuç olarak, sensör?Pi altyapısı ile sağlanan verilerin, yapay zekâ teknikleri yardımıyla anlık ritim izleme ve uyarı sistemlerinde kullanılabileceği kanıtlanmıştır. Bu tez, giyilebilir sağlık teknolojileri ve kardiyoloji bilişimi alanlarında yapılacak gelecekteki araştırmalar için sağlam bir referans niteliğindedir.This study aims to collect raw photoplethysmography (PPG) signals using a sensor, process them on a Raspberry Pi 3 platform, and perform real-time rhythm classification with artificial-intelligence-based methods. The raw PPG data streamed from the sensor to the Pi are cleaned in Python; band-pass filtering, baseline-wander removal, and motion-artefact suppression are applied. The thesis consists of two major parts: theory and application. In the theoretical part, a literature survey is presented, covering PPG technology, data mining, time-series mining, and signal-based emotion-like rhythm analysis. Within the scope of the application, more than 60,000 PPG samples were recorded in three?minute sessions. From these, 1,250 windows (250 samples per window) were randomly selected and manually labelled into three classes—Normal Sinus, Tachycardia, and Artefact. The labelled dataset was fed to a LightGBM classifier and, for comparison, to an LSTM?based deep?learning model. Both models achieved accuracies close to 90 %, yet the LSTM showed a markedly higher F1?score in the Artefact class. These results demonstrate that even lightweight, edge?compatible models can deliver clinically acceptable performance for real?time PPG monitoring systems. Consequently, the proposed Pi infrastructure proves that PPG data can be transformed through AI techniques into an on?the?fly rhythm?monitoring and alert system. The thesis serves as a valuable reference for future research in wearable health technology and cardiology informatics, guiding data acquisition, preprocessing, and model deployment.