Intelligent arrhythmia classification based on support machines
Destek vektör makineleri kullanılarak aritmi sınıflandırması
- Tez No: 196835
- Danışmanlar: PROF. DR. FİKRET GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2006
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu tezde yapılan çalışmanın temel amacı EKG işaretlerinin sınıflandırılması ilearitmik kardiyak hastalıkların otomatik olarak teşhisini sağlamaktır. EKG, kalptekielektriksel gerilimin bir sonucu olan grafik şeklinde bir işarettir ve kardiyologlar tarafındanteşhis amacıyla kullanılan en önemli veridir. EKG işaretlerinin yorumlanmasındakarşılaşılan güçlükler araştırmacıları kardiyak aritmi bozuklukların otomatik olarakbelirlenmesi konusunda çalışma yapmaya sevk etmiştir. Günümüzde akıllı veri analiziyöntemlerini kullanan bilgisayar programları karmaşık EKG işaretlerini kolaycayorumlayabilmekte, kardiyak aritmi varlığı konusunda öngörüde bulunabilmekte ve gerçekzamanlı analiz ve teşhis sağlamaktadır. Bu çalışmada, akıllı aritmi sınıflandırması içindiğer sınıflandırma yöntemlerine göre daha yeni bir yöntem olan Destek Vektör Makineleri(DVM) kullanılmaktadır. Deneylerde kullanılan veriler UCI Aritmi Veritabanı'ndan eldeedilmiş olup çok boyutlu EKG veri kümesinde boyut indirgeme için PCA ve ICAyöntemleri kullanılmıştır. DVM algoritmasının performansı model parametrelerine bağlıolduğundan parametre seçimi oldukça önemlidir. Yapılan çalışmada, parametre seçimi,boyut indirgeme ve eşik tabanlı bir reddetme yöntemi kullanılarak standart DVMsınıflandırıcısının performansı arttırılmıştır. Önerilen eşik tabanlı reddetme yöntemi ilebelirsizlik yönetimi sağlanırken sınıflandırmadaki yanlış alarmların da ortadan kaldırılmasıhedeflenmektedir. Karşılaştırma amacıyla k-NN ve karar ağaçları yöntemleri de EKG verikümesine uygulanmış ve deney sonuçlarına göre geliştirilmiş DVM yönteminin daha iyisonuç verdiği belirlenmiştir.
Özet (Çeviri)
The main objective of this study is to provide automatic recognition of arrhythmiccardiac pathologies from the classification of ECG recordings. ECG is a graphical signalwhich is the result of electrical tension of heart and is the most important biosignal used bycardiologists for diagnostic purposes. The difficulty faced in interpretation of ECG signalsforced researchers to study about automatic detection of cardiac arrhythmia disorders.Using intelligent data analysis techniques, computer programs could easily interpretcomplex ECG signals, predict presence or absence of cardiac arrhythmia and provide real-time analysis and diagnosis. In this study Support Vector Machines (SVM) technique hasbeen applied to ECG dataset for intelligent arrhythmia classification. The dataset used inthis study have been obtained from UCI repository. PCA and ICA methods have been usedfor dimensionality reduction of high dimensional ECG data. Parameter selection is verycritical for SVM since its performance is greatly influenced by the model parameters. Theresults of the standard SVM classifier improved by parameter selection, dimensionreduction and a threshold based rejection method to avoid false predictions for ambiguouspatterns. The proposed threshold method provides uncertainty management and could beused for suppressing false alarms. As a comparison, k-Nearest Neighbor and Decision Treealgorithms have been tested on the arrhythmia dataset. According to experimental resultsimproved SVM results shown to outperform competing classification results.
Benzer Tezler
- ECG arrhythmia classification using class-modular MLP
Sınıf modüler ÇGY kullanılarak EKG aritmi sınıflandırması
HAYDAR VURAL
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. FİKRET GÜRGEN
- Elektrokardiyogram verilerinin iyileştirilmiş yapay arı kolonisi (MABC) algoritması ile analizi
Analysis of electrocardiogram data by using modified artificial bee colony (MABC) algorithm
SELİM DİLMAÇ
Doktora
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- İnsan sağlığı takibi için giyilebilir sensör verilerinin çok kipli ve füzyon tabanlı analizi
Multimodal and fusion based analysis of wearable sensor data for human health monitoring
GÖKHAN MEMİŞ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA SERT
- Detection of QRS complex and classification of electrocardiogram signals using computational intelligent algorithms
Hesaplamalı zeki algoritmalar kullanılarak QRS yapısının tespiti ve elektrokardiyogram sinyallerinin sınıflandırılması
MARWAH MUWAFAQ KADHIM AL-MOZANI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BURAK TÜRKÖZ
DR. ÖĞR. ÜYESİ EFTAL ŞEHİRLİ
- 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