Geri Dön

Makine öğrenmesi teknikleri ile aritmi tespiti ve yeni öznitelikler ile başarımın artırılması

Arrhythmia detection with machine learning techniques and increase the classification performance using new features

  1. Tez No: 482566
  2. Yazar: YASİN KAYA
  3. Danışmanlar: YRD. DOÇ. DR. HÜSEYİN PEHLİVAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 187

Özet

Kardiyak aritmiler kalp hastalıklarının en önemli göstergesinden bir tanesidir. Aritmiler kalbin, iletim, atım oranı veya elektriksel aktivitesinde ortaya çıkabilecek aksamalardan kaynaklanmaktadırlar. Erken karıncık kasılması (EKK) ise ektopik kalp vuruları ile ortaya çıkan en yaygın kardiyak aritmilerinden biridir. Aritmilerin algılanması kalple ilgili olabilecek problemlerin önceden tahmininde önemli rol oynamaktadır. Bu çalışmada ilk olarak işarete ait zaman serilerini kullanarak EKK vurusunun sınıflandırılması gerçekleştirilmiştir. Bir vuruluk işaretin zaman serisine ek olarak çeşitli boyut indirgeme algoritmalarının performansa etkisi araştırılmıştır. Ek olarak çalışma daha geniş kapsamda aritmi türlerini sınıflandıracak şekilde genişletilmiş ve testler gerçekleştirilmiştir. Bu aritmilerin sınıflandırılması için bir vuruluk işarete ait yeni öznitelikler çıkarılmıştır. Öznitelikler, boyut indirgeme algoritmaları kullanılarak daha küçük boyutlara düşürülmüştür. Deneyler, k-en yakın komşu algoritması, yapay sinir ağları, karar ağaçları ve destek vektör makinesi sınıflandırıcıları kullanılarak gerçekleştirilmiştir. Bulgular, doğruluk, duyarlılık, kesinlik, özgünlük ve çalışma süreleri bakımından değerlendirilmiştir. Çalışmada yapılan testlerde kullanılan veriler bu alanda standart hale gelmiş olan MIT-BIH aritmi veritabanından alınmıştır.

Özet (Çeviri)

Cardiac arrhythmia is one of the most important indicators of heart disease. Heart arrhythmias are caused by any disruption in the regularity, rate, or transmission of the cardiac electrical impulse. Premature ventricular contractions (PVCs) are a common form of cardiac arrhythmia caused by ectopic heartbeats. The detection of arrhythmias by means of ECG (electrocardiogram) signals is important for the prediction of possible heart failure. This study was first focused on PVC classification using time series of ECG signal. Moreover, the performance effects of several dimension reduction approaches were also tested. In addition, the work is extended to classify more common arrhythmia types. Statistical features are calculated from one beat signal for the classification. Feature size were reduced to a lower size using size reduction algorithms. Experiments were carried out using well-known machine learning methods, including neural networks, k-nearest neighbor, decision trees, and support vector machines. Findings were expressed in terms of accuracy, sensitivity, specificity, selectivity and running time. The data used in the tests in this study were taken from the MIT-BIH arrhythmia database that has become the standard in this area.

Benzer Tezler

  1. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. EKG görüntülerini kullanarak farklı transfer öğrenme modelleri ile aritmi tespiti

    Arrhythmia detection with different transfer learning models using ECG

    ÖMER YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULKADİR ŞEKER

  3. Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques

    Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması

    RAGHAD MOHAMMED KHORSHEED

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Automated analysis approach for the detection of high survivable ransomwares

    Sinsi fidye yazılımlarının tespiti için otomatik analiz yaklaşımı

    YAHYE ABUKAR AHMED AHMED

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BARIŞ KOÇER

    DR. SHAMSUL HUDA

  5. Makine öğrenmesi yaklaşımları kullanılarak EKG işaretlerinden aritmi teşhisi

    Diagnosis of arrhythmia from ECG signs using machine learning approaches

    ERSİN ERSOY

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GAZİ ERKAN BOSTANCI