Geri Dön

Yapay zeka ile EKG sinyalin analizi ve hastalık teşhisinde sınıflandırılması

Patient diagnosis with ECG signals estimation using artificial neural network

  1. Tez No: 416993
  2. Yazar: MEHDİ SALİMİTORKAMANİ
  3. Danışmanlar: DOÇ. DR. FIRAT HARDALAÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 68

Özet

Bu çalışmada yapay sinir ağları kullanarak kalbini alınan sinyallerin üzerinde hasta ve hasta olmayan sinyallerin taşhisi çok başarılı bir sonuçta elde edildi. Bu tezde Çok katmanlı perseptron algoritması kullanıldı. 2 katman kullanıldı ve her katmanda Farklı sayılarda nörünlar denetildi. En iyi sonuç 18 nörün sayısı ilk katmanda ve 30 nörün ikinci katmanda oluşturuldu. Eğitim yöntemi geri besleme yöntemi uygulandı. Bu çalışmada sonuçlar aşğadaki gibi oluyiour:Inferior Lateral 85,5% , Inferior Posterior Lateral70,6% ve hasta olmayan 88,7%.

Özet (Çeviri)

This study reports an approach using artificial neural networks to detect ECG signals belonging to Myocardial Infarction patients versus signals from healthy individuals. A specific types of neural networks called Multilayer-Perceptron Neural Networks was set up in two layers and each layer was evaluated with different number of neurons. In this study we used two methods to distinguish ill signals from the healthy ones. In the first method, we extract four features, after extraction this features from the signals, we put them into a matrix and we use this matrix in the input of artificial neural networks. We found the best results when using 18 neurons on the first layer and 30 neurons on the second layer. Furthermore, systematic training and feedback methods were developed and used. In this paper the result for classification success are as follow : Anterior 82.9%, Inferior 83.9%, Inferior Lateral 85.5% , Inferior Posterior Lateral 70.6% and Healthy 88.7%. As the concluding remarks, we can see that this approach will help physicians to detect hearth disease much earlier and with high precision.

Benzer Tezler

  1. ECG arrythmia classification using Deep Neural Network

    ECG arrythmia classification using Deep Neural Network

    ZAKI UR REHMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    ASSIST. ASSOC. DR. SHAHRAM TAHERI

  2. Linear prediction coding and wavelet based multi heart diseases classification via SVM

    Lineer tahmini kodlama ve dalgacık tabanlı SVM üzerinden çoklu kalp hastalıklarının sınıflandırılması

    ALAA MAJEED AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiTürk Hava Kurumu Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HASSAN SHARABATY

  3. A new method for QT interval analysis of ECG signals based on Gaussian mixture model and neural network

    Gauss karışım modeli ve yapay zeka tabanında EKG'nin QT zaman aralığının tespiti üzerine yeni bir metot

    MEHMET İŞCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    BiyoistatistikYıldız Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FARUK YİĞİT

    YRD. DOÇ. DR. CÜNEYT YILMAZ

  4. Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti

    AI-based blood pressure detection with electrocardiography signal

    DERYA KANDAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED KÜRŞAD UÇAR

  5. Gömülü sistem tabanlı elektrokardiyogram holter cihazının tasarlanması ve yapay sinir ağı- genetik algoritma hibrit modeli ile aritmi tespiti

    Design of embedded system-based ecg holter device and detection of arrhythmia by artificial neural network-genetic algorithm hybrid model

    AHMET YESEVİ TÜRKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    BiyomühendislikSakarya Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA ZAHİD YILDIZ