Geri Dön

Kalp seslerinin analizi ve yapay sinir ağları ile sınıflandırılması

Analysis of heart sounds and classification of by using artificial neural networks

  1. Tez No: 126860
  2. Yazar: ÖZGÜR SAY
  3. Danışmanlar: YRD. DOÇ. DR. ZÜMRAY DOKUR ÖLMEZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2002
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 107

Özet

KALP SESLERİNİN ANALİZİ VE YAPAY SINIR AĞLARI İLE SINIFLANDIRILMASI ÖZET Kardiyovaskûler hastalıklar, insan sağlığını ciddi olarak tehdit eden hastalıklar arasındadır. Fonokardiyogram (PCG) ve elektrokardiyogram (EKG) gibi non invasive yöntemler, kalbin çalışması hakkında önemli bilgiler vermektedir. Bundan dolayı kalp sesi analizi doktorlar ve tıp öğrencileri için temel bir ihtiyaç olmuştur. Oskültasyon sırasında, dinleyici kalp sesi bileşenlerini ayrı ayrı belirler ve daha sonra dinleme yeteneği ile sesleri tespit eder. Oskültasyon yardımıyla gerçekleştirilen kalp sesi analizi, çoğunlukla dinleyicinin deneyimlerine ve yeteneğine bağlıdır. Bu nedenle kalp seslerinin bilgisayar aracılığıyla kaydedilmesi ve analiz edilmesi tercih edilen bir yöntemdir. Bu tez içerisinde, kalp sesleri 10 sınıfa ayrılmıştır: açılma sesi, aort stenozu, erken sistolik üfürüm, geç sistolik üfürüm, normal kalp sesi, S3, S4, Ventricular Septal Defect (VSD), Patent Ductus Ateriosus (PDA) ve Atrial Septal Defect (ASD). Karar verme üç aşamada gerçekleştirilmiştir: normalizasyon işlemi, öznitelik çıkartma işlemi ve yapay sinir ağlan ile sınıflama. Normalizasyon İşlemi İlk olarak, uzun kayıtlardan kalp sesinin Sİ -Sİ periyodunun nasıl bulunacağına karar verilmelidir. Literatürde, bu başlı basma bir çalışmadır, bu nedenle Sİ -Sİ periyodunun bilindiği kabul edilmektedir. Daha sonra kayıtların tepeden tepeye genlikleri normalize edilir. Böylece sınıflama kararının kalp seslerinin maksimum genliğinden bağımsız olması sağlanır. Öznitelik Çıkartma İşlemi Bu çalışmada, üç farklı öznitelik çıkartma yöntemi incelenmiştir: Fourier dönüşümü, kısa zaman Fourier dönüşümü ve dalgacık dönüşümü. Fourier dönüşümü (FD) işaret içinde hangi frekans bileşenlerinin var olduğunu belirler. Frekans bilgisi, frekans bileşenlerinin zamandaki yerlerinden bağımsızdır. Bundan dolayı Fourier dönüşümü frekans içeriği zamanla değişen (durağan olmayan) işaretler için uygun değildir. Kalp sesleri de durağan olmayan işaretlerdir ve kalp seslerinin zaman-frekans bilgisi FD ile elde edilemez.Kısa zaman Fourier dönüşümü (KZFD), işaretin zamanda ötelenen uygun bir pencere ile çarpılarak FD'sinin alınması ile elde edilir. İşaret, her biri içinde işaretin durağan kabul edildiği.alt parçalara bölünür ve her parça uygun bir pencere ile çarpılarak her parçaya FD uygulanır. Böylece, durağan olmayan işaret hakkında zaman bilgisi elde edilmiş olur. KZFD'de problem, kullanılan pencere fonksiyonunun genişliğidir. Eğer dar pencere seçilirse, zamanda iyi bir çözünürlük elde edilir fakat frekans çözünürlüğü azalır ya da geniş bir pencere seçilerek iyi bir frekans çözünürlüğü elde edilir fakat zamanda çözünürlük azalır. Bu sebeple kalp sesleri hakkında yeterli bir zaman-frekans bilgisi elde edilemez. Bu nedenle, analiz sonuçlan bizi yeni öznitelik çıkartma yöntemi arayışına yönlendirmiştir. Bu noktada literatürde yaygın olarak kullanılan ayrık dalgacık dönüşümü (ADD)'nün sınıflamada başarı ile kullanıldığı görülmüştür. ADD'de, işaretin zaman-ölçek olarak gösterimi sayısal filtreleme yöntemleri kullanılarak elde edilmiştir. İşaretin çözünürlüğü filtreleme teknikleri ile değiştirilir ve ölçek, alt örnekleme işlemleri ile değiştirilir. Bu çalışmada, öznitelik vektörü oluşturma işleminde pencere fonksiyonu olarak Daübechies-10 dalgacığı kullanılarak, ADD'nin 4. ayrıştırma seviyesindeki ayrıntı ve yaklaşıklık katsayıları kullanılmıştır. Daha sonra 128 örnek uzunluğundaki bir pencerenin ötelenmesi ile bu katsayılann gücü hesaplanmıştır. Ayrıntı katsayılarının güç vektörüne, yaklaşıklık katsayıları güç vektörü eklenerek, sınıflayıcılarda kullanılacak olan' öznitelik vektörleri oluşturulmuştur. Bu çahşmaöV23Tkidı1tayıtîanreîde edilmiş, 268 kalp sesinden oluşan 10 farklı grup sınıflandırılmış ve bunların 150 tanesi eğitim, 118'i ise test için kullanılmıştır. Her bir öznitelik vektörü, boyutu 37 ayrıntı gücü ve 37 yaklaşıklık gücü olmak üzere toplam 74 elemandan oluşmaktadır. Sınıflayıcı Olarak Yapay Sinir Ağlan Sınıflayıcı olarak yapay sinir ağlan (YSA) iyi bir sınıflama performansı elde etmek amacıyla kullanılmıştır. Yapay sinir ağlarının sınıflayıcı olarak kullanılmasının dört nedeni vardır, i) Çözümleri temsil eden ağırlıklara adım adım eğitimle yaklaşılır, ii) YSA'lann fiziksel olarak gerçeklenme imkanı bulunmaktadır, iii) YSA'lar karmaşık sınıf dağılımlarını kolaylıkla temsil edebilmektedirler, iv) YSA'lar genelleme özellikleri sayesinde önceden karşılaşmadığı girişler için uygun sonuç üretebilmektedir. Bu çalışmada sınıfflayıcı olarak iki yapay sinir ağı kullanılmıştır: GAL ( büyü ve öğren ) ve LVQ (öğrenen vektör nicemleyici). GAL ağının düğümleri, eğitim sırasında sınıf sınırlarına yerleşir ve ağdaki düğümlerin ağırlıklan değişmez. Öznitelik uzayında vektörler saçılırsa, eğitim tamamlandıktan sonra ağda aşın sayıda düğüm üretilir. LVQ ağında vektörler sınıfların iç bölgelerine homojen olarak dağılır ve ağ düğümlerinin ağırlıklan eğitim sırasında değişir. Eğer eğitim öncesinde yeterli sayıda düğüm ataması yapılmamışsa, sınıf sınırlan yeterince temsil edilememekte ve ağım sınıflama performansı düşmektedir, örnek uzay ve kalp sesi kümesinin GAL tarafından LVQ ya göre daha az düğüm kullanılarak, başarıyla sınıflandığı gözlenmektedir (Tablo 1). xiAğ yapılan araştırılırken, test amaçlı iki boyutlu bir örnek uzay tanımlanmıştır. İki boyuttaki analizler, sınıf sınırlarının ağ düğümleri tararından temsil edilişinin görsel olarak incelenmesini sağlamaktadır. Bu örnek uzay, aynı zamanda klasik ağ eğitim algoritmalarının düğümleri yönlendirişi hakkında bilgi vermektedir. Örnek uzayda beyaz, açık-gri ve koyu-gri ile renklendirilmiş 3 tane sınıf vardır. Siyah renkli bölgeler herhangi bir sınıfa ait değildir. Eğitim kümesi, örnek uzayda her sınıftan 100 adet vektör alınarak oluşturulur. Tablo l.'de ağların düğüm sayıları ve sınıflama başarımları verilmiştir. Programlar MATLAB paket programı kullanılarak bilgisayar ortamında geliştirilmiştir. Tablo 1. YSA'lann sınıflama performansları XII

Özet (Çeviri)

ANALYSIS OF HEART SOUNDS AND CLASSIFICATION BY USING ARTIFICIAL NEURAL NETWORKS SUMMARY Cardiovascular diseases are among those seriously threateing human health. Noninvasive study (diagnosis) methods, such as phonocardiogram (PCG) and electrocardiogram (ECG), offer useful information of functioning heart. So heart sound analysis has heen a basic requirement for every doctor and medical student. In auscultation, the listener tries to analyze the heart sound components separately and then synthesize the heard features. Heart sound analysis by auscultation highly depends on the skills and experiences of the listener. Therefore recording of heart sounds and analyzing them by a computerized and objective way would be most desirable. In this thesis, heart sounds are classified into 10 categories: opening snap, aortic stenosis, early systolic murmurs, late systolic murmurs, normal heart sound, S3, S4, Ventricular Septal Defect (VSD), Patent Ductus Ateriosus (PDA) and Atrial Septal Defect (ASD). Decision making is performed in three stages: normalization process, feature extraction process, and classification by using artificial neural nerworks. Normalization Process Firstly, it should be decided that how SI -SI period of heart sounds can be found from long records. In the literature, it is a study all by itself so we assumed that Sİ Sİ period is known. Then peak to peak magnitude of records are normalized. Thus, it is provided that classification decision does not depend on the maximum amplitude of the heart sounds. Feature Extraction Process In this study, three different feature extraction methods, Fourier transform, short time Fourier transform and wavelet analysis are investigated. The Fourier transform (FT) tells whether a certain frequency component of the signal exists or not. Frequency information is independent of where this component appears in the time. Therefore Fourier transform is not suitable for signal which has time varying frequency (non-stationary). Heart sounds are non-stationary signals and any information about time-frequency of heart sounds can not be obtained by using FT. xiiiShort time Fourier transform (STFT), is obtained from the FT by multiplying the time signal by an appropriate sliding-time window. The signal under study is subdivided into a number of small records where it is assumed that each sub-record is stationary and each sub-record is then multiplied by an appropriate window and then the FT is applied to each sub-record. In this way time information about non- stationary signals can be obtained. The problem with the STFT is the width of the window function that is used. If a narrow window is selected, good time resolution will be obtained, but poor frequency resolution, or if a wide window is selected, good frequency resolution will be obtained, but poor time resolution. Therefore satisfactory information about time-frequency content of heart sounds can not be obtained. In conclusion, results directed us to find a new feature extraction method. At that point, the discrete wavelet transform (DWT) emerged as a promising feature extraction method that is highly used in the literature. In the DWT, a time-scale representation of a signal is obtained by using digital filtering techniques. The resolution of the signal, is changed by the filtering operations, and the scale is changed by downsampling operations. To form the feature vectors; the 4th level wavelet detail and approximation coefficients are computed by using Daubechies-10 wavelets as the window function. Then power of these coefficients are computed by using a sliding window at data of lenght 128. The power vectors of approximation coefficients are merged with the power vectors of detail coefficients to form the feature vectors used in the classifiers. In this study, 10 different heart sound classes obtained from 25 different records, are classified. Among the 268 heart sounds cycles, 150 of them are used for training and 118 of them are used for testing. The size of each feature vector is data of lenght 74 which consist of 37 detail-power data and 37 approximation-power data. Artificial Neural Networks as Classifiers Artificial neural networks (ANNs) are used as classifiers in order to obtain good classification performance. There are four reasons to use artificial neural network as a classifier i) Weights representing the solution are found by iteratively training, ii) ANN has simple structure for physical implementation, iii) ANN can easily map complex class distributions, iv) Generalization property of ANN produces appropriate results for the input vectors that are not present in the training set. In this study, two artificial neural networks are used as classifiers; GAL (grow and learn) and LVQ (learning vector quantization). The nodes of GAL network locate at the boundaries of the classes and weights of network nodes do not change during the training. If the vectors scatter in the feature space, excessive number of nodes is generated after the training. The nodes of the LVQ network homogenously move to the inner regions of the classes and weights of network nodes change during the training. If sufficient number of nodes is not assigned before the training, class boundaries can not be sufficiently represented, and the classification performance of the network decreases. It is observed that sample xivspace and heart sounds sets are successfully classified by the GAL with less number of nodes compared to the LVQ networks (Table 1). During the search of network structure, a two-dimensional sample space is formed for test purpose. Analysis in two dimensions gives a visual information about the representation of the class boundaries by the nodes. The sample space also gives information about how the training algorithms of the classical networks direct the nodes in the feature space. In the sample space, there are three classes: white, light- gray, and dark-gray. Black coloured regions do not belong to any class. Training set is formed by taking 1 00 vectors from each class in the sample space. Table 1. shows the number of nodes (NoN) and classification performances (CP) of the networks. The programs were developed using MATLAB tools on PC. Table 1. Classification performances of ANNs XV

Benzer Tezler

  1. Tez No

    380893

    Biyomedikal seslerin analizi ve sınıflandırılması

    Analysis and classification of biomedical sounds

    FATMA ZEHRA GÖĞÜŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR KARLIK

  2. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  3. Tez No

    282901

    Comparision of different feature extraction methods to analysis lung sound signals

    Akciğer ses sinyallerinin farklı öznitelik metodları kullanılarak karşılaştırılması

    GÜNEŞ GÜÇLÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR KARLIK

    PROF. DR. HALİL RIDVAN ÖZ

  4. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  5. Tez No

    283422

    Kalp seslerinin web 2.0 temelli internet ortamında analiz edilmesi

    Analysis of heart sounds in web 2.0 based internet

    AHMET BIRTIL

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe Üniversitesi

    Bilgisayar Ana Bilim Dalı

    YRD. DOÇ. DR. UÇMAN ERGÜN

Geri Dön