Kalp ritmi bozukluklarının derin öğrenme ile otomatik tespiti
Automatic detection of heart rhythm disorders using deep learning models
- Tez No: 1001550
- Danışmanlar: DR. ÖĞR. ÜYESİ MÜCAHİT KARADUMAN
- Tez Türü: Yüksek Lisans
- Konular: Kardiyoloji, Biyomühendislik, Sağlık Eğitimi, Cardiology, Bioengineering, Health Education
- Anahtar Kelimeler: Doğumsal kalp anomalileri, İnsan-yapay zeka etkileşimi, Congenital heart anomalies, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Malatya Turgut Özal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, kalp ile ilgili anormallikler üzerine yapay zeka çalışması yapılmıştır. Kişilerin kaliteli bir yaşam sürdürebilmesi için kalp hastalıkları ve türlerinin erken teşhis edilmesi ve hastalığının derecesinin belirlenmesi tedavide kolaylık sağlaması için önemli bir rol oynamaktadır. Bu çalışmada kalp ritmi bozukluklarından atriyal fibrilasyon, ventriküler aritmi, ventriküler taşikardi, ventriküler fibrilasyon ritim bozuklukları ele alınmıştır. Ayrıca kalp hastalıkların tanı ve tedavisinde EKG vurularından çeşitli hastalıklar hakkında ön bilgi içermektedir. Modelleme aşamasında ResNet50, EfficientNetB0, MobileNetV3Large, Deit Base, Swin Tiny ve Beit Base gibi farklı modeller kullanılarak Miyokard Enfarktüsü (MI) ille ilgili komplikasyonların otomatik tanısına yönelik makine öğrenmesi ve derin öğrenme araştırmalarını desteklemektedir. Elde edilen sonuçlara göre Beit Base tüm değerlendirme ölçütlerinde en yüksek başarıya ulaşarak %98.39 doğruluk ve %1.61 hata oranı vermiştir. F1 skoru ile veri seti üzerinden en iyi sonucu veren modeldir. Ayrıca hassasiyet yönünden Swin Tiny doğruluk açısından Beit modeli aynı değerde olsa da doğruluk açısından düşük sonuçlar vermiştir. Diğer modellere bakıldığında ResNet50 MobileNetV3Large ve EficientNetB0 sırasıyla daha düşük performans göstermişlerdir. ResNet50 modeli %96.77 ile doğruluk ile öne çıkmıştır. MobileNetV3Large %95.16 ve EfficientNetB0 %94.09 düşük doğruluk değerlerini göstererek en düşük başarıyı ulaşmıştır. Sonuç olarak farklı dönüştürücü mimarilerinin EKG görüntülerinden MI ve ilgili komplikasyonları ayırt etmede üstün başarı sunmuştur. Bu modellerden Beit ve Swin Tiny yüksek doğruluk bir çözüm sunmaktadır. Bu tez çalışması derin öğrenme tabanlı teşhis sistemlerinin klinik karar destek sistemi olarak kullanılabileceğini ve hızlı uygulanabilir alternatifler sunabileceğini göstermektedir.
Özet (Çeviri)
This thesis focuses on artificial intelligence research into heartrelated abnormalities. Early diagnosis and assessment of heart diseases and their types play a crucial role in facilitating treatment, enabling individuals to lead a high-quality life. This study addresses heart rhythm disorders such as atrial fibrillation, ventricular arrhythmia, ventricular tachycardia and ventricular fibrillation. Furthermore, ECG beats provide preliminary information about various diseases, which is important in the diagnosis and treatment of heart conditions. In the modeling phase, different models such as ResNet50, EfficientNetB0, MobileNetV3Large, Deit Base, Swin Tiny, and Beit Base are used to support machine learning and deep learning research for the automated diagnosis of complications related to Myocardial Infarction (MI). According to the results obtained, Beit Base achieved the highest success in all evaluation criteria, yielding 98.39% accuracy and a 1.61% error rate. It is the model that provided the best result on the dataset with its F1 score. Furthermore, while Swin Tiny had the same accuracy value as the Beit model in terms of precision, it yielded lower accuracy results. Looking at the other models, ResNet50, MobileNetV3Large, and EficientNetB0 showed lower performance, respectively. ResNet50 stood out with an accuracy of 96.77%. MobileNetV3Large (95.16%) and EfficientNetB0 (94.09%) showed the lowest accuracy values, achieving the lowest success rates. In conclusion, different Transformer architectures have demonstrated superior success in distinguishing MI and related complications from ECG images. Among these models, Beit and Swin Tiny offer a highly accurate solution. This thesis demonstrates that deep learning-based diagnostic systems can be used as clinical decision support systems and offer rapidly implementable alternatives.
Benzer Tezler
- Kalp hastalıkları görüntüleri ile özellik çıkarma yöntemleri kullanılarak derin ve makine öğrenme yöntemlerinin performans karşılaştırması
Comparison of the performance of deep and machine learning methods using feature extraction methods from heart disease images
ŞULE TEMEL
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiAksaray ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİLİZ SARI
DOÇ. DR. EMRE AVUÇLU
- EKG vuru imgelerinden kardiyak aritmilerin makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Classification of cardiac arrhythmias from ECG beat images by machine learning and deep learning methods
MUHAMMED HALİL AKPINAR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- A unified framework for secure and intelligent ECG signal processing via chaotic encryption, fully homomorphic computation and federated learning
Kaotik şifreleme, tam homomorfik hesaplama ve federatif öğrenme ile güvenli ve akıllı EKG sinyal işleme için birleşik bir çerçeve
BEYAZIT BESTAMİ YÜKSEL
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE YILMAZER METİN
- Kalp kateterizasyonunda kullanılan radyoopak maddelerin yan etkilerinin araştırılması
Başlık çevirisi yok
SEBAHATTİN KAYMAKOĞLU
- Kalb kateterizasyonunda kullanılan radyoopak maddelerin yan etkilerinin araştırılması
Başlık çevirisi yok
SABAHATTİN KAYMAKOĞLU