EKG sinyallerinnin yapay sinir ağları ile sınıflandırılması
Classification of ECG signals with artificial neural networks
- Tez No: 152085
- Danışmanlar: DOÇ. DR. SADIK KARA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: ECG, Artificial Neural Networks, Wavelet, Welch Metod
- Yıl: 2004
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Ill EKG SİNYALLERİNİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRILMASI ÖZET Kardiyolojik aritmiler içerisinde atrial fibrilasyon diğerlerine göre ayırt etmesi kolay görünmemektedir. P dalgasının eksikliği, nabızdaki aşın değişim ve nabız yüksekliği atrial fibrilasyona işaret etmektedir. P dalgası genliği küçük olduğu için eksikliği veya varlığı pek ayırt edilemeyebilir. Bu çalışmada, yapay sinir ağlarının doğrusal olmayan sinyalleri tanımlamadaki performansı değerlendirilerek, normal sinüs ritimli ve atriyal fibrilasyonlu EKG'ler sınıflandırılmıştır. Bu amaç doğrultusunda MTT-BIH Atrial fibrilasyon ve Normal Sinüs ritim veritabanlarmdan, 18 adet normal ve 20 adet de AF li EKG datası derlenmiştir. EKG sinyallerini ayrıştırmak için Daebauchies waveletlerinden 'dblO' kullanılmış ve altıncı dereceye kadar aynştınlmıştır. Ayrıştırılmış sinyallerin Welch metoduyla güç spektral yoğunlukları hesaplanmıştır. Her bir EKG'yi temsilen 42 adet veri, logaritmik sigmoid transfer fonksiyonuna sahip nöronlardan oluşan Levenberg-Marquart Back Propagation sinir ağma giriş değerleri olarak kullanılmıştır. En minimum hatayı yakalamak üzere girişte ve gizli katmanda 22 den 42 ye ve 1 1 den 22 ye kadar nöron sayısı artırılarak yapılan döngülerde ortalama karesel hata değerinin pek değişmediği ve test gurupları için 0,5 civarında ortalama karesel hata olduğu gözlemlenmiştir. Altı adet normal ritim EKG si ve yedi adet de atrial fibrilasyonlu EKG test gurubu üzerinde kurulmuş 22 adet giriş, 1 1 adet gizli ve 2 adet de çıkış nöronlarından oluşan yapay sinir ağı test edildi ve % 100 doğru sınıflandırma elde edilmiştir. Anahtar Sözcükler EKG, Sinir Ağlan, Wavelet, Welch Metod, Atrial fibrilasyon
Özet (Çeviri)
IV CLASSIFICATION OF ECG SIGNALS WITH ARTIFICIAL NEURAL NETWORKS ABSTRACT Atrial fibrillation is not easy to identify when compared to other arrhythmias. The biggest discriminator is the absence of P wave and high irregular heart rate. Because the amplitude of the P wave is so small that it is not easy to observe its absence or presence. Therefore, high irregularity in the heart rate is a primary indicator of atrial fibrillation. In this study, we have facilitated the pattern recognition capability of the neuaral networks to classify the normal sinus rhythm and atrial fibrillation ECGs. The 18 normal ECGs and 20 AF ECGs were acquired from MTT-BIH Atrial Fibrillation and Normal Sinus Rhythm databases. ECGs were decomposed with 'dblO' Daebauchies Wavelets to the sixth level. Power spectral density calculations were made using Welch method. This was performed for all ECG signals and average power spectral density graphics were calculated for six sub-bands. Thus, 42 data values were derived from each ECG to be used as inputs to the Levenberg- Marquart Backpropagation neural network structure that is built from logarithmic sigmoid neurons. In order to find the optimum structure that yield the minimum mean square error after testing, the input layer and hidden layer neuron numbers are iterated for 22-42 neurons and 11-22 neurons, respectively. It is observed that the mean square error was around 0,5 for all cases. The structure of 22 input neurons, 1 1 hidden layer neurons and 2 output neurons were trained and tested on 6 normal and 7 AF ECGs. The classification performance was accomplished as 100% correct classification resulting in 100% sensitivity, specifity and positive predictivity.
Benzer Tezler
- Automatic arrhythmia classification from electrocardiogram measurements with deep learning
Derin öğrenme ile elektrokardiyogram ölçümlerinden otomatik aritmi sınıflandırma
BERKCAN YURTSEVER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EBRU AKÇAPINAR SEZER
- Telemedikal elektrokardiyografi sinyallerin yapay sinir ağları ile değerlendirilmesi
Evaluation of telemedical electrocardiograph signals using artificial neural network
YASHAR M. JWMAH
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUNQİTH SALEEM DAWOOD
PROF. DR. OSMAN NURİ UÇAN
- Yapay sinir ağları tabanlı topluluk öğrenme yöntemi ile ekg sinyallerinin sınıflandırılması
Classification of ecg signals with artificial neural network based ensemble learning method
ASHA WANYENZE
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY TEZEL
- Özellik çıkarma teknikleri ve yapay sinir ağları kullanarak bir tele-kardiyoloji sistem tasarımı
A tele-cardiology system design using feature extraction techniques and artificial neural networks
RAHİME CEYLAN
Doktora
Türkçe
2009
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜKSEL ÖZBAY
PROF. DR. BEKİR KARLIK
- Sayısal stetoskop ile elde edilen kalp ses (fonokardiyogram) sinyallerinin bölütlenmesi ve sınıflandırılması
Segmentation and classification of heart sound (phonocardiogram) signals obtained by digital stethoscope
GÜLŞEN ÇELEBİ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLA YILMAZ