Derin öğrenme yöntemleriyle kalp atım seslerinin sınıflandırılması
Classification of heartbeat sounds using deep learning methods
- Tez No: 1010247
- Danışmanlar: DR. ÖĞR. ÜYESİ YUSUF ÇELİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Munzur Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler hastalıkların erken teşhisi günümüz sağlık sistemleri açısından büyük önem taşımaktadır. Bu bağlamda kalp atım seslerinin analizi, düşük maliyetli ve girişimsel olmayan yapısı nedeniyle önemli bir tanı destek yöntemi olarak öne çıkmaktadır. Fonokardiyogram (FKG) sinyallerinin manuel olarak değerlendirilmesi uzman deneyimine bağlı olduğundan, otomatik sınıflandırma sistemlerine duyulan ihtiyaç giderek artmaktadır. Bu tez çalışmasında, FKG sinyallerinin otomatik sınıflandırılması amacıyla farklı derin öğrenme tabanlı yaklaşımlar geliştirilmiş ve karşılaştırmalı olarak değerlendirilmiştir. Çalışma kapsamında zaman-frekans temsillerine dayalı modeller, ham sinyal üzerinde çalışan modeller ve bu iki yaklaşımın birlikte kullanıldığı hibrit yapılar incelenmiştir. Ayrıca farklı dosya düzeyinde karar mekanizmaları, eşik değeri optimizasyon yöntemleri ve hasta bazlı değerlendirme stratejilerinin sınıflandırma performansı üzerindeki etkileri araştırılmıştır. Gerçekleştirilen deneylerde, zaman-frekans temsillerini kullanan modellerin daha başarılı sonuçlar ürettiği, ham sinyal üzerinde geliştirilen yapıların ise zamansal örüntüleri etkili biçimde öğrenebildiği belirlenmiştir. Elde edilen bulgular doğrultusunda zaman-frekans temsilleri ile ham sinyal üzerindeki zamansal örüntüleri birlikte değerlendiren çift dallı hibrit bir model önerilmiş ve önerilen yapının daha dengeli sonuçlar üretebildiği görülmüştür. Çalışmanın son aşamasında farklı veri setleri üzerinde transfer öğrenme deneyleri gerçekleştirilmiş ve ön eğitimli modellerin farklı kalp sesi veri kümelerine başarılı biçimde aktarılabildiği gösterilmiştir. Gerçekleştirilen deneylerde önerilen hibrit yapı ile 0.9331 doğruluk ve 0.8924 Makro F1 değeri elde edilmiştir. Ayrıca transfer öğrenme tabanlı ince ayar yaklaşımında Murmur F1 değerinin 0.8558 seviyesine yükseldiği görülmüştür. Genel olarak elde edilen bulgular, FKG sınıflandırma problemlerinde zaman-frekans temsilleri ile ham sinyal üzerindeki zamansal örüntülerin birlikte değerlendirilmesinin sınıflandırma performansını artırdığını ve daha güvenilir sonuçlar sağladığını ortaya koymaktadır.
Özet (Çeviri)
Cardiovascular diseases are of critical importance for modern healthcare systems due to the need for early diagnosis. In this context, the analysis of heart sounds has become an important diagnostic support method because of its low cost and non-invasive nature. Since the manual evaluation of phonocardiogram (PCG) signals depends heavily on clinical expertise, the need for automatic classification systems has been increasing. In this thesis, different deep learning-based approaches were developed and comparatively evaluated for the automatic classification of PCG signals. Within the scope of the study, time-frequency representation-based models, models operating directly on raw signals, and hybrid structures combining these two approaches were investigated. In addition, the effects of different file-level decision mechanisms, threshold optimization methods, and patient-based evaluation strategies on classification performance were analyzed. Experimental results showed that models based on time-frequency representations produced more successful outcomes, while the models developed on raw signals were able to effectively learn temporal patterns. Based on these findings, a dual-branch hybrid model combining time-frequency representations and temporal patterns extracted from raw PCG signals was proposed, and the proposed structure demonstrated more balanced classification performance. In the final stage of the study, transfer learning experiments were conducted on different datasets, and it was demonstrated that pretrained models could be successfully transferred across different heart sound datasets. Experimental results showed that the proposed hybrid structure achieved 0.9331 accuracy and 0.8924 Macro F1-score. In addition, the Murmur F1-score increased to 0.8558 with the transfer learning-based fine-tuning approach. Overall, the findings indicate that jointly evaluating time-frequency representations and temporal patterns extracted from raw signals improves classification performance and provides more reliable results in PCG classification problems.
Benzer Tezler
- Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle EKG sinyallerinden kardiyak durumların sınıflandırılması
Classification of cardiac conditions from ECG signals using hybrid feature extraction and deep learning methods
HAZRET TEKİN
Doktora
Türkçe
2024
BiyomühendislikBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA
- Derin öğrenme ve chroma spektrogramlarına dayalı EKGsinyallerinin sınıflandırılması
Classification of ECG signals based on deep learning and chromaspectrograms
SONGÜL AKDAĞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET BİLAL ER
- Fonokardiyografi sinyalleri ile derin öğrenme tabanlı karar destek sistemi tasarımı
Deep learning based decision support system design with phonocardiography signals
ELİF DEMİR ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATİLA YILMAZ
- Enhancing deep extreme learning machines: Novel multi-kernel autoencoders and implementation for detecting the chronic obstructive pulmonary disease
Derin aşırı öğrenme makinelerinin geliştirilmesi: Yeni çok çekirdekli autoencoderlar ve kronik obstruktif akciğer hastalığının belirlenmesinde uygulanması
GÖKHAN ALTAN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
YRD. DOÇ. DR. YAKUP KUTLU
- Öz güven ve başarı ilişkisinin derinöğrenme teknikleri ile deneysel analizi
Investigating the relationship between self-confidence and success through deep learning techniques
BERKE DENİZ
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Kültür ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA PATLAR AKBULUT