Performance analysis of features obtained by PCA (principal component analysis) dimensionality reduction method for diagnosing PAF (paroxysmal atrial fibrillation) patients
PAF (paroksismal atriyal fibrilasyon) hastalarının teşhisi için TBA (temel bileşenler analizi) boyut azaltma metoduyla elde edilen özniteliklerin performans analizi
- Tez No: 537325
- Danışmanlar: PROF. DR. MEHMET KUNTALP
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 126
Özet
İlke Bileşen Analizi (PCA), özellik çıkarma ve boyut küçültme için sunulan bir şemadır. Yüksek boyutlu verileri içeren birçok uygulamada yaygın olarak kullanılmıştır. Bu çalışmada, normal sinüs ritm (NSR) EKG kayıtlarından Paroksismal Atriyal Fibrilasyon (PAF) tanısı koyabilmek için bu kayıtlardan elde edilen 33 tane kısa süreli Kalp Hızı Değişkenliği (KHD) indisinden PCA tarafından çıkartılan özniteliklerin etkinliğini karşılaştırdık. Bu çerçevede, K-En Yakın Komşu (kNN) algoritması olarak seçilen sınıflandırma algoritmasına girdi olarak PCA'dan elde edilen 1'den 33'e kadar öznitelik içeren farklı veri setleri kullanılmıştır. En iyi performansı bulmak için farklı değerlerde K ve farklı mesafe metrikleri kullanılmıştır. Daha sonra aynı yaklaşım başka bir KHD veri setine uygulanmıştır. Bu veri seti önceki 33 KHD indisi arasından bir Genetik Algoritma tarafından belirlenen en iyi 8 KHD indisinden oluşmuştur. Elde edilen sonuçlar, bir sınıflandırıcı sistemin girdi boyutlarının PCA algoritması kullanılarak performansda bir azalma olmadan daha da düşürülebileceğine işaret etmektrdir.
Özet (Çeviri)
Principal Component Analysis (PCA) is an offered scheme for feature extraction and dimension reduction. It has been used extensively in many applications involving high-dimensional data. In this study, we compared the effectivity of PCA features extracted from 33 short-term Heart Rate Variability (HRV) features obtained from normal sinus rhythm (NSR) ECG records for the diagnosis of Paroxysmal Atrial Fibrillation (PAF) disease. Within this framework, different data sets consisting of 33 to 1 features obtained from PCA were used as input to the classification algorithm, which is chosen as the K-Nearest Neighbor (kNN) algorithm. Different values for K and difference distance metrics were utilized to find the best performance. Then the same procedure is applied to another HRV dataset. This set consists of 8 best HRV indices chosen from among the 33 HRV indices by a Genetic Algorithm. The obtained results from both studies elicit that it is possible to further reduce the number of input dimension of a classification system by using PCA algorithm without a reduction in the performance of the system.
Benzer Tezler
- EEG sinyallerinde farklı boyut indirgeme ve sınıflandırma yöntemlerinin karşılaştırılması
The comparison of various dimension reduction and classification methods in EEG signals
HAKAN ÖZTÜRK
Yüksek Lisans
Türkçe
2016
BiyoistatistikAdnan Menderes ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. MEVLÜT TÜRE
PROF. DR. NEFATİ KIYLIOĞLU
- Doku ve renk öznitelikleriyle tarla görüntülerinden bitki ve fenolojik evrelerinin çıkarımı
Plant and phenology recognition from field images using texture and color features
FATİH GÜLAÇ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Makine öğrenme teknikleri kullanılarak epilepsi teşhisi
Epilepsy diagnosis using machine learning techniques
MUSTAFA ÇALIŞKAN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN BADEM
- Örüntü tanıma uygulamalarında yapay zeka ve öznitelik dönüşüm metotları kullanılarak geliştirilen öznitelik seçme algoritmaları
Feature selection algorithms developed by using artificial intelligence and feature transform methods in pattern recognition applications
MUSTAFA SERTER UZER
Doktora
Türkçe
2014
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAT YILMAZ
- Ensemble and deep learning on astronomical data with different modalities
Astronomik veride farklı kiplerle topluluk öğrenmesi ve derin öğrenme
FATMA KUZEY EDEŞ HUYAL
Doktora
İngilizce
2023
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
PROF. DR. ZEHRA ÇATALTEPE