Geri Dön

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

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

  1. Tez No: 482523
  2. Yazar: ALAA MAJEED AL-OBAIDI
  3. Danışmanlar: YRD. DOÇ. DR. HASSAN SHARABATY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Türk Hava Kurumu Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Organlarda bulunan kanı kontrol ettiği için, insan kalbinin insan vücudunun ana parçalarından birisi olduğu kabul edilmektedir. Kalp hastalıkları yılda 15 milyon'dan fazla insanın ölümüne sebep olmasından dolayı kalp hastalıklarının teşhisi, hem biyolojik hem de klinik sistemlerde büyük önem arz etmektedir.. Bilgisayar teknikleri kullanılarak yapılan Elektrokardiyogram (EKG) sinyallerinin incelenmesi ön-işleme, özellik çıkarımı ve işleme sonrası gibi bir takım işlemleri içermektedir. Bu alanda yapılan çalışmaların çoğu kalp hastalıkları için EKG'leri (normal ve anormal olmak üzere) iki vakaya ayırmaktadır. Diğer araştırmacılar normal vakada EKG standart özelliklerinin analizi ile ilgilenmiş (P dalgası, PR aralığı, QRS kompleksi, ST segmenti, T dalgası, QT aralığı), bu çalışmalardan bazıları ise işlemlerde yüksek seviye operasyonlar gerektiren Yapay Zeka (AI) yöntemlerini uygulamışlardır. Bu tez çalışmasında, ön işleme aşaması sırasında sinyal gerileme ve normalleşme için Lineer Tahmini Kodlamayı (LPC) kullanarak kalp hastalıklarının 6 farklı vakasını tespit etmek için doğru bir yöntem ortaya koymaktayız. Daha sonra, özellik çıkarımı aşamasında, özellik vektörünü çıkarmak için EKG sinyalini zaman serileri alanından frekans alanına transfer etmek için 8-seviyeli kesikli dalgacık dönüşümünü (DWT) ve Dalgacık Enerjisini (WE) kullanmaktayız. Bundan sonra, sınıflandırma aşamasında veri kümelerini çalıştırmak ve test numunelerini sınıflandırmak için Destek Vektör Makinasını (SVM) kullanmakta ve son olarak Yinelemeli En Yakın Noktayı (ICP) uygulayarak veri kümelerini çalıştırmak için denemenin en yakın vektörünü bulmaktayız. Çalışmamızın performansı 6 hastalık için %98,14 doğruluk oranı veren karışıklık matrisi kullanılarak değerlendirilmiştir.

Özet (Çeviri)

The human heart is considered to be a main part in the human body since it controls the blood in whole parts of the organs. Therefore, diagnosis of heart diseases is considered to be of major importance in biological and clinical systems as these diseases cause more than 15 million deaths per year. The examination of Electrocardiogram (ECG) signals using computerization techniques involves a number of procedures such as pre-processing, feature extraction and post-processing. Most studies focusing on this domain have classified ECGs into two cases (normal and abnormal) for heart cases. Other researches have been interested in the analysis of ECG standard features of normal case (P wave, PR interval, QRS complex, ST segment, T wave, QT interval), and some of these works have applied Artificial Intelligent (AI) methods which require high level operations in processing. In this thesis, we propose an accurate method in order to detect 6 different cases of heart diseases by using Linear Predictive Coding (LPC) as signal regressing and normalizing during the preprocessing phase. Then, during the feature extraction phase, we use Discrete Wavelet Transform (DWT) with 8-level to transfer the ECG signal from time series domain to frequency domain and Wavelet Energy (WE) in order to extract the feature vector. After that, using Support Vector Machine (SVM) in the classification phase to train datasets and classify the test samples and finally finding the closest vector of testing to train datasets by applying Iterative Closest Point (ICP). Performance of our work was evaluated by using the confusion matrix which gave an accuracy rate of 98.14% for 6 diseases.

Benzer Tezler

  1. Predictive error compensated wavelet neural networks framework for time series prediction

    Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı

    SERKAN MACİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  2. Ses sıkıştırma tekniklerinin başarım analizi

    Performance analysis of speech compression techniques

    DİNÇER YARIMÇAM

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  3. İnsan beyninin ışık uyarılarına yanıtının sayısal değerlendirilmesi

    The numerical evoluation of human brain's response to photic stimulation

    ENGİN TETİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Elektrik ve Elektronik MühendisliğiEge Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ.DR. MEHMET ENGİN

    DOÇ.DR. MUSA ALCI

  4. Classification of vessel acoustic signatures using non-linear scattering based feature extraction

    Doğrusal olmayan saçılma temelli oznitelik çıkarma kullanarak gemilerin akustik izlerinin sınıflandırılması

    GÖKMEN CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ENİS ÇETİN

  5. Konuşmacıya bağımlı ayrık sözcük tanıma

    Speaker dependent isolated word recognition

    TAYFUN ÖZİŞBAKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜZEYYEN SARITAŞ