Biyomedikal işaretlerin sınıflandırılması için akıllı tekniklerin Labview ortamında gerçeklenmesi
Realization of intelligent techniques for classification of biomedical signals in the Labview
- Tez No: 509888
- Danışmanlar: DOÇ. DR. MUSTAFA TÜRK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 138
Özet
Bu tez çalışmasında, biyomedikal işaretler kullanılarak elde edilen veri kümesinden, kişinin hasta mı yoksa sağlıklı mı olduğunu tespit edebilmek için akıllı hesaplama yöntemleri kullanılarak yeni sınıflandırma algoritmaları geliştirilmiştir. Bu algoritmalar, literatürde kullanımı gittikçe yaygınlaşan ve bir görsel programlama dili olan LabVIEW programı kullanılarak geliştirilmiştir. Gerçekleştirilen tez çalışması genel olarak iki kısımdan oluşmuştur. İlk kısımda LabVIEW'in çalışma performansı MATLAB ile karşılaştırılmıştır. Bunun için literatürde boyut azaltma algoritmalarıyla özellik seçimi yapmayı sağlayan; Temel Bileşen Analizi (TBA), Doğrusal Ayrıştırma Analizi (DAA) ve Kernel Temel Bileşen Analizi (KTBA) kullanılmıştır. Sınıflandırma algoritmalarından ise Destek Vektör Makinesi (DVM) kullanılmıştır. Sınıflandırma performanslarının her iki programlama dili için de yaklaşık aynı oranda çıkması, LabVIEW'in hem hızlı ve hem de kolay programlanabilir bir yapıya sahip olması ve bu tezde kullanılması önerilen modellerin daha önce LabVIEW ortamında yapılmamış olmasından dolayı tez çalışmasında LabVIEW programlama dili kullanılmıştır. İkinci kısımda ise, farklı özellikteki verilerin DVM ile doğrusal bir şekilde ayrılabilmesine imkân sağlayan çekirdek fonksiyonunun seçim zorluğunu giderebilmek amacıyla, iki farklı sınıflandırma algoritması önerilmiştir. Doğrusal yolla ayrım yapılması mümkün olmayan veri örneklerini sınıflandırmak için çekirdek fonksiyonları kullanılmaktadır. Çekirdek fonksiyonları, doğrusal olmayan bir haritalama ile verileri daha yüksek boyutlu ve doğrusal olarak ayrılabilecekleri bir özellik düzlemine aktarırlar. Farklı çekirdek fonksiyonlarının Makine Öğrenmesi (MÖ) algoritmalarında kullanımlarında, farklı sinyaller için sistemin başarısı da değişmektedir. Bu durum, her sinyal için farklı çekirdek fonksiyonu kullanılmasına neden olmaktadır. Fakat, sinyal analizi için bağımsız çekirdek fonksiyonu kullanımı ve iyi başarı oranı ile sınıflandırma yapılması arzu edilen bir durumdur. Bu amaçla tez çalışmasında, LabVIEW ortamında farklı çekirdek fonksiyonlarının analizleri için mevcut akıllı hesaplama yöntemlerinin iyi özelliklerini bir arada tutacak şekilde seri TBA-DAA-DVM (Temel Bileşen Analizi-Doğrusal Ayrıştırma Analizi-Destek Vektör Makinesi), paralel TBA-DAA-DVM, seri KTBA-DAA-DVM (Kernel Temel Bileşen Analizi-Doğrusal Ayrıştırma Analizi-Destek Vektör Makinesi) ve paralel KTBA-DAA-DVM yöntemleri önerilmiştir. Önerilen yöntemler kullanılarak, göğüs kanseri verileri ve EEG işaretleri için performans analizleri yapılmıştır. Ayrıca, geliştirilen sistemin doğruluğunu test etmek ve modellerin ezber bir eğitim yapmadığını göstermek amacıyla, eğitim verileri için hem holdout hem de çapraz doğrulama yöntemleri kullanılarak sınıflandırma performansları incelenmiştir. Elde edilen sonuçların yakın çıkması, geliştirilen sistemin ezber bir eğitim yapmadığını göstermiştir. Bu yöntemlerle sınıflandırma doğruluğu elde edilen sisteme, eğitim ve test aşamasında hiç kullanılmamış yeni bir veri girildiğinde, bu verinin hasta bir kişiye mi yoksa sağlıklı bir kişiye mi ait olduğu hakkında seçim yapabilmektedir. Bu tez çalışmasıyla, herhangi bir biyomedikal işarete (Elektroensefalografi-EEG, göğüs kanseri) ait verinin sağlıklı-hasta ayrımının yapılması ve sınıflandırılması için kolay ve etkili bir yöntem, farklı bir programlama diliyle sunulmuştur. Ayrıca, bu tez çalışmasında sınıflandırma haricinde; Elektrokardiyogram (EKG) verilerinden kalp atım hızı tespiti ve kan basıncı verilerinden de tansiyon tespiti yapılmıştır. EKG verilerinden elde edilen sonuçlar Amerikan Kalp Derneği standartlarına göre, kan basıncı verileri için elde edilen sonuçlar ise Dünya Sağlık Örgütü Uluslararası Hipertansiyon Komitesi standartlarına göre yorumlanmıştır. Bu tez kapsamında, LabVIEW ortamında gerçekleştirilen algoritmalar ve yeni bir veri için elde edilecek durum tespiti, literatüre yenilikçi bir katkı sağlamıştır.
Özet (Çeviri)
In this thesis study, new classification algorithms have been developed by using intelligent calculation methods to find out whether the patient is healthy or not from the dataset obtained using biomedical signals. These algorithms have been developed using the LabVIEW program, a language of visual programming that has become increasingly popular in the literature. The thesis work consists of two parts in general. In the first part, the performance of LabVIEW is compared with MATLAB. As the dimension reduction algorithms in the literature, Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) and Kernel Principal Component Analysis (KPCA) were used. Support Vector Machine (SVM) is used as classification algorithms. LabVIEW was chosen because the performance of the classifications is about the same for both programming languages. Because LabVIEW has both fast and easy programmable structure and the recommended models for use in thesis work have not been done in LabVIEW before, the LabVIEW programming language was used in this thesis work. In the second part, two different classification algorithms have been proposed in order to reduce the selection difficulty of the kernel function which enables the different feature data to be separated linearly with SVM. The kernel functions are used to classify data samples that can not be distinguished linearly. By transferring the kernel functions to a non-linear mapping, the data is transformed into a dimension of features that can be separated into higher dimensional and linear dimensions. In the use of different kernel functions in Machine Learning (ML) algorithms, the success of the system for different signals also changes. This causes different kernel functions to be used for each signal. However, it is desirable to use the independent kernel function for signal analysis and to classify it with good success rate. For this purpose, the serial PCA-LDA-SVM (Principal Component Analysis-Linear Discriminant Analysis-Support Vector Machine), parallel PCA-LDA-SVM, serial KPCA-LDA-SVM (Kernel Principal Component Analysis-Linear Discriminant Analysis-Support Vector Machine) and parallel KPCA-LDA-SVM methods are proposed. Performance analyzes were performed for breast cancer data and EEG signals using the recommended methods. In addition, we used both holdout and cross validation methods to test the accuracy of the developed system and to show that the models did not make a memorizing. Closer results have shown that the developed system does not make a memorizing. With this method, when a new data which has never been used in the training and testing phase is entered into the system, the system can choose whether the data belongs to a patient or a healthy person. With this thesis, an easy and effective method for the classification and classification of healthy-patients in any biomedical work (Electroencephalography-EEG, breast cancer) is presented in a different programming language. In addition, in this thesis study, except for classification, heart rate was determined from ECG data and blood pressure was determined from blood pressure data. The results obtained from ECG data were interpreted according to American Heart Association standards and the results obtained for blood pressure data according to the standards of the World Health Organization International Hypertension Committee. Within the scope of this thesis, the algorithms performed in the LabVIEW environment and the case-finding for new data provided an innovative contribution to the literature.
Benzer Tezler
- Classification, visualization and transient analysis of respiratory sound patterns
Solunum sesi örüntülerinin sınıflandırılması, görselleştirilmesi ve geçici rejim analizleri
E.ÇAĞATAY GÜLER
- Biyomedikal işaretlerin sınıflandırılması
Classification of biomedical signals
İ. SELÇUK BÜYÜKYILMAZ
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiNamık Kemal ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HASAN DEMİR
- Biyomedikal işaretlerin yeni bir adaptif aktivasyon fonksiyonlu yapay sinir ağı ile sınıflandırılması
Classification of biomedical signals via a new artifical neural network with adaptive activation function
GÜLAY TEZEL
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YÜKSEL ÖZBAY
- Elektronik steteskop ile mitral kapak darlığının sınıflandırılması
Classification mitral stenosis wi̇th electroni̇c stethoscope
MUHAMMET BAKİ
Yüksek Lisans
Türkçe
2013
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEMRA İÇER
- Konuşma olmayan sinyallerin evrişimsel sinir ağları tabanlı yaklaşımlar ile sınıflandırılması
Classification of non-speech signals with convolutional neural network based approaches
FATİH DEMİR
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
