Geri Dön

EKG aritmilerinin zaman frekans esaslı öznitelikler kullanılarak sınıflandırılması

Classification of ECG arrhythms using time-frequency based features

  1. Tez No: 461832
  2. Yazar: FULYA AKDENİZ
  3. Danışmanlar: PROF. DR. TEMEL KAYIKÇIOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 142

Özet

Kalp hastalıklarının önceden tespit edilmesiyle ilerde ortaya çıkabilecek kalıcı hasarların hatta ölümlerin bile önüne geçilebilmektedir. Bu tezde çeşitli makine öğrenmesi algoritmalarıyla EKG Aritmilerinin tespit edilmesi amaçlanmıştır. Buda klinik karar destek sistemleri için oldukça önemlidir. Çalışmada MIT-BIH Aritmi veritabanından seçilen R-R aralıklarından oluşturulan büyük bir veritabanı kullanılmıştır. Çalışma iki aşamadan oluşmaktadır. Birinci aşamada kalp hastalıkları Sağlıklı EKG kayıtları ve aritmili EKG kayıtları olmak üzere iki sınıf şeklinde ayrılmıştır. İlk aşamada kişide herhangi bir aritminin olup olmadığınn tespit edilmesi amaçlanmıştır. İkinci aşamda ise EKG kayıtları 9 sınıfa ayrılmıştır ve kişideki aritminin ne olduğunun bulunması amaçlanmıştır. Öznitelik çıkarma aşamasında zaman-frekans dönüşümü yöntemleri kullanılmıştır. Bu yöntemler Yumuşatılmış Sahte Wigner-Ville, Choi-Williams,Born-Jordan, Bessel ve Zhao-Atlas-Mark dönüşümleridir. Sınıflandırma aşamasında ise Destek Vektör Makineleri, K En Yakın Komşuluk algoritmaları, Topluluk sınıflandırıcıları, Ağaç yöntemleri ve Ayırma Analizi kullanılmıştır. Tez çalışmasında önerilen yöntemin hesaplama süresinin oldukça kısa olduğu görülmüştür ve gerçek zamanlı sistemlere uyarlanabilirliği kanıtlanmıştır. Tez çalışması geliştirilmekte olan Teletıp sisteminde Karar Destek sisteminin bir parçası olacaktır. Yapılan iki sınıflı çalışmanın performans sonuçları doğruluk, duyarlılık, özgüllük ve pozitif prediktif değerleri sırasıyla %93.88, %92.14, %95.62, %95.46 olarak bulunmuştur. 9 sınıflı olarak yapılan aşamasında ise doğruluk, duyarlılık, özgüllük, F skor, pozitif prediktif değer, negatif prediktif değerler sırasıyla %98.56, %71.69, %98.48, %76.71, %89.31, %98.91 olarak bulunmuştur.

Özet (Çeviri)

Early detection of heart diseases can prevent permanent damage or even death that may occur in the future. In this thesis, it is aimed to determine Ecg Arrhythms with various machine learning algorithms. This is very important for clinical decision support systems. The thesis study used a large database of R-R intervals selected from the MIT-BIH Arrhythmia database. The study consists of two phases. In the first stage heart diseases are divided into two classes to be healthy and arrhythmia ECG records. At the first stage, it is aimed to determine whether there is any heart disease in the person. In the second phase, the ECG records are divided into 9 classes, and the aim is to find out what is the arrhythmia.The thesis study used a large database of R-R intervals selected from the MIT-BIH Arrhythmia database. Time-frequency transformation methods are used in the feature extraction phase. These methods are Smoothed Pseudo Wigner-Ville, Choi-Williams, Born-Jordan, Bessel and Zhao-Atlas-Mark Transforms. In the classification phase, Support Vector Machines, K Nearest Neighborhood algorithms, Ensemble classifiers, Tree methods and Discriminant Analysis were used. It has been shown that the proposed algorithm has a fairly short computation time and adaptability to real-time systems. The study will be part of the Decision Support System in the Telemedicine system being developed. The performance results of study based on classification for two-class are obtained as respectively 93.88%, 92.14% , 95.62% , 95.46% for accuracy sensitivity, specificity and positive predictive values, and results of study based on classification for nine-class are obtained as respectively 98.56%, 71.69%, 98.48%, 76.71%, 89.31%, 98.91% for accuracy sensitivity, specificity, F score, positive predictive and negative predictive values.

Benzer Tezler

  1. Cardiac arrhythmias classification based on spectrogram and convolutional neural networks

    Kalp aritmilerinin evrişimsel sinir ağları ve spektrogram tabanlı yöntemle sınıflandırılması

    SENA YAĞMUR ŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiYaşar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NALAN ÖZKURT

  2. EKG vuru imgelerinden kardiyak aritmilerin makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması

    Classification of cardiac arrhythmias from ECG beat images by machine learning and deep learning methods

    MUHAMMED HALİL AKPINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  3. Karıncık ve kulakçık erken vurularının otomatik tespiti

    Automatic detection of ventricular and atrial premature contractions

    ZAHİDE ELİF AKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiAkdeniz Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜLEYMAN BİLGİN

  4. Yapay bağışıklık sistemine dayalı yeni bir aritmi sınıflama tekniği

    A new arrhythmia classification technique based on artificial immune system

    ZİYNET PAMUK

    Doktora

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    YRD. DOÇ. DR. MEHMET RECEP BOZKURT

  5. Karınca koloni optimizasyonuna dayalı yeni bir aritmi sınıflama tekniği

    A novel arrhythmia classification method based on ant colony optimization

    ALİ NİZAM

    Doktora

    Türkçe

    Türkçe

    2008

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KORÜREK