Normal ve patolojik kalp ses kayıtlarının zaman-frekans temelli otomatik sınıflandırılması
Time-frequency based automatic classification of normal and pathologic heart saound recordings
- Tez No: 534267
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Kardiyovasküler bozukluklar veya kalp hastalıkları dünyada artan ölümlerin ana sebeplerinden bir tanesidir. Kalp hastalıklarının erken, ucuz ve kolay bir şekilde teşhis edilmesi insanların yaşam süresini arttırmada yardımcı olabilme potansiyeline sahiptir. Son 50 yıldır elektronik stetoskop ile kaydedilebilen, fonokardiyogram (PCG) olarak adlandırılan ve kalbin mekanik davranışı hakkında önemli bilgiler taşıyan kalp sesi işaretlerinden kişinin kalp hastası olup olmadığının tespitine yönelik çok sayıda teşhis destek algoritması geliştirilmiştir. Ancak geliştirilen bu algoritmaların başarımı genelde belirli bir lokasyondan alınan, gürültüsüz ve az sayıda kalp sesi kaydı içeren veri setleri üzerinden test edilmiştir. Bu da farklı lokasyonlardan alınan, gürültülü ve çok fazla sayıda kayıt içeren bir veri seti üzerinden başarımı test edilmiş yüksek performanslı algoritmaların geliştirilmesi gerektiğini gösterir. Bu tez çalışmasında PCG kayıtlarından kişini kalp hastası olup olmadığını tespit eden işaret işleme ve makine öğrenmesi temelli bir örüntü sınıflandırma algoritması geliştirilmeye çalışılmıştır. Geliştirilen algoritmanın başarım performansı 3240 kalp sesi kaydından oluşan bir veri bankası üzerinden test edilmiştir. Bu çalışmada PCG kayıtlarından kalp hastalıklarının teşhis desteğine yönelik önerilen algoritma, önişlem, özellik çıkarma-1, veri seti sınıflandırması, segmentasyon, özellik çıkarma-2, özellik seçme ve nihai sınıflandırma olmak üzere yedi temel aşamadan oluşmaktadır. Önişlem aşamasında PCG kayıtlarındaki sivri uçlar yok edilerek normalizasyon yapılmıştır. Sonraki aşamada kayıtların veri setine göre sınıflandırmaya yarayan sınıflandırıcının eğitilmesinde ve test edilmesinde kullanılan özellikler çıkarılmıştır. Kayıtlar alındıkları veri setine göre sınıflandırılırken karar ağaçları ve AdaBoostM2 algoritması ile oluşturulan sınıflandırıcı metotları topluluğu kullanılmıştır. Böylece, farklı veri setlerine ait veriler için farklı özellik ve sınıflandırıcı kullanılması sağlanmıştır. Algoritmanın segmentasyon aşamasında Springer'in segmentasyon algoritması kullanılarak kayıtlar temel kalp seslerine ayrılmıştır. Özellik çıkarma-2 aşamasında segmentasyonu yapılmış ve yapılmamış işaretlerin zaman, frekans ve zaman-frekans özellikleri çıkarılmıştır. Çıkarılan özellikler özellik seçme aşamasında azaltılmış ve algoritmanın son adımında yer alan sınıflandırıcıların eğitilmesinde ve test edilmesinde kullanılmıştır. Her bir kayıt için iki farklı sınıflandırıcı kullanıldığından kaydın normal veya anormal olduğuna yönelik son karar verilirken beş farklı kural kullanılarak en iyi sonucu veren kural bulunmuştur. En iyi sonucu veren kural bulunduktan sonra bu kural ile başarım performansı doğruluk, duyarlılık ve özgüllük açısında sırasıyla %95.21, %87.22 ve %97.28 olarak elde edilmiştir. Elde edilen bu değerlere göre önerilen algoritmanın performansı literatürdeki benzer çalışmalar ile kıyaslanmış ve önerilen algoritma başarılı bulunmuştur.
Özet (Çeviri)
Cardiovascular disorders or heart diseases that identify general status of heart are main reason of increasing death in the world. Easy, cheap and early diagnosis of heart diseases has potential to help to improve life expectancy of people. For 50 years, many experts have tried to develop diagnostic algorithms that can diagnose heart diseases by using heart sounds. Heart sounds recordings that are called as phonocardiogram (PCG) are recorded by an electronic stethoscope and have important information about mechanical activity of heart. However, algorithm developed so far are tested on data sets that contain few clean recordings obtained from only one body location. Therefore, it is necessary to develop a heart disease diagnostic algorithm with high performance and to test on a data set which contains both clean and noisy recordings obtained from different body locations. In this thesis, it is tried to develop a machine learning and signal processing based pattern recognition algorithm that can diagnose heart diseases of people. Developed algorithm is tested on a database that contains 3240 PCG recordings. In this work, an algorithm is proposed for heart disease diagnosis. Proposed algorithm consists of seven main phases which are preprocessing, feature extraction-1, data set classification, segmentation, feature extraction-2, feature selection and final classification. In preprocessing phase, PCG recordings were denoised from spikes and normalized. In next phase, features that are used to train and test classifier segregating recordings with respect to data sets which they are collected from are extracted. Classifier ensembles which created with AdaBoostM2 and decision trees are used to categorize recordings according to their data sets. Thus, it is enabled to use different features and classifiers for data from different databases. In segmentation phase of algorithm, Springer's segmentation algorithm is used to divide PCGs into fundamental heart sounds. Various time, frequency and time-frequency features are extracted from segmented and non-segmented signals so two feature vectors are created per signal in feature extraction-2 phase. After number of features is reduced by feature selection algorithm, extracted features are handled for training and test of classifiers in the last phase of algorithm. Since there are two classifiers per signal, five different voting rules are used for final classification in order to find rule achieving best performance results. After best rule is determined, best results (sensitivity: %87.22, specificity: %97.28 and accuracy: %95.21) are achieved when this rule is used for voting. Then, the proposed algorithm is compared with similar works with respect to performance results and proposed algorithm appears to be successful.
Benzer Tezler
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Synthesis of peptidomimetic based imaging agents against lung cancer
Peptidomimetik tabanlı kanser görüntüleme ajanlarının sentezlenmesi
GÖZDE SARIOĞLU
Yüksek Lisans
İngilizce
2019
Kimyaİstanbul Teknik ÜniversitesiKimya Ana Bilim Dalı
YRD. DOÇ. ONUR ALPTÜRK
DR. ÖZGÜR YILMAZ
- Mitral kapak hastalıklarında kalp ses işaretlerinin analizi
Analysis of heart sound signals in mitral valve diseases
ÖMER AKGÜN
Doktora
Türkçe
2011
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. H. SELÇUK VAROL
- Doğumsal ve edinsel kalp hastalıklarında kardiyak manyetik rezonans görüntüleme
Başlık çevirisi yok
SERDAR SERİNSÖZ
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
PROF. DR. FATMA SİBEL BAYRAMOĞLU