Geri Dön

Recognizing and classifying fetal heart rate signals with a self-organizing algorithm

Fetal monitor sinyallerinin 'self-organizing' yöntemiyle tanınması ve sınıflandırılması

  1. Tez No: 24114
  2. Yazar: KADİR ÖZDEMİR
  3. Danışmanlar: PROF. DR. ÜNAL YARIMAĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: örüntü tanıma, Sinir ağları, Karhunen Loeve açılımı
  7. Yıl: 1992
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 111

Özet

XV ÖZET FETAL MONITOR SİNYALLERİNİN“SELF-ORGANIZING”YÖNTEMİYLE TANINMASI VE SINIFLANDIRILMASI Kadir ÖZDEMİR Bu tezin amacı, kardiotokogramdan alınan bebek kalp atım sinyallerinin orüntü tanıma ve sinir ağları ile tanınması ve sınıflandırılmasıdır, örüntü tanıma, özellik çıkarma ve sınıflandırma aşamalarından oluşur, özellik çıkarma aşaması Karhunen Loeve açılımı ile gerçekleştirilirken, sınırlandırma aşamasında yeni bir“self-organizing”sinir ağı algoritması geliştirilmiştir. Bu çalışmada 676 anne adayına ait 3731 sinyal kullanılmıştır. Bu sinyallerden 500 anne adayına ait olanları, kadın doğum doktoru tarafından test grubu olarak belirlenmiş ve bunlar iyi sonuçlanan ve kötü sonuçlanan doğumlar olmak üzere iki gruba ayrılmıştır. Doktorun sonuçları ile oluşturulan sistemin sonuçları karşılaştırılmış ve sistemin iki hafta arayla kaydedilmiş on dakikalık iki sinyal ile %70, üç sinyal ile %89 ve dört sinyal ile %97'nin üzerinde doğum sonucunu tahmin ettiği görülmüştür.

Özet (Çeviri)

Ill SUMMARY RECOGNIZING AND CLASSIFYING FETAL HEART RATE SIGNALS WITH A SELF-ORGANIZING ALGORITHM Kadir ÖZDEMİR The aim of this study is to evaluate and classify fetal heart rate (FHR) signals from cardiotocograph tracings using pattern recognition techniques and neural networks. The problem of pattern recognition is usually divided into two stages: feature extraction and classification. We achieve the feature extraction phase by the Karhunen Loeve expansion while, for the classification stage, a new unsupervised neural network algorithm is developed. To validate the model and the program developed in this thesis, 3731 tracings are used from a pool of 676 pregnant women. Clinical validation is performed on a sample of randomly selected 500 pregnant women from which 334 were subsequently identified as having normal outcome and 166 as having bad outcome. The predictive value of our model is over %70 when two ten-second FHR are used, over %89 when three and over % 97 when four. Key words : FHR, Pattern recognition, Classification, Feature extraction, Karhunen Loeve expansion, Neural network

Benzer Tezler

  1. Tez No

    459545

    Elektronik destek sistemlerinde gerçek zamanlı tehdit radar parametreleri çıkarımı

    Real time threat radar parameter extraction in electronic support systems

    İSMAİL EMRE ORTATATLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMZA KURT

  2. Tez No

    807744

    Artificial intelligence assisted drop pattern analysis and RNAseq profiling for early diagnosis and follow-up of bladder cancer

    Mesane kanserinin erken tanı ve takibinde yapay zeka destekli damla motif analizi ve RNAseq profilleme

    RAMİZ DEMİR

    Doktora

    İngilizce

    İngilizce

    2023

    Moleküler TıpKoç Üniversitesi

    Hücresel ve Moleküler Tıp Ana Bilim Dalı

    PROF. DR. DEVRİM GÖZÜAÇIK

  3. Tez No

    386881

    5. sınıf öğrencilerinin bilimsel süreç becerilerini kullanabilme yeterliliklerinin incelenmesi

    The examination of 5th grade primary school student's proficiency in the use of science process skills

    YAKUP SABAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Eğitim ve ÖğretimAfyon Kocatepe Üniversitesi

    İlköğretim Ana Bilim Dalı

    YRD. DOÇ. DR. BÜLENT AYDOĞDU

  4. Tez No

    896688

    Develop a robust computer network architecture that is resistant to unauthorized access by using machine learning methodologies

    Makine öğrenme metodolojilerini kullanarak yetkisiz erişime dayanıklı, sağlam bir bilgisayar ağ mimarisi geliştirin

    AYA AHMED TAWFEEQ TAWFEEQ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ Abdullahi Abdu IBRAHIM

  5. Tez No

    890001

    Üzüm yapraklarındakı hastalıkların teşhisi ve üzüm türlerinin sınıflandırılması için derin öğrenme modellerinin uygulanması

    Utilization of deep learning models for diagnosis of diseases and classification of grape varieties in grape leaves

    İSMAİL KUNDURACIOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIğdır Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSHAK PAÇAL

Geri Dön