Yapay sinir ağları tabanlı topluluk öğrenme yöntemi ile ekg sinyallerinin sınıflandırılması
Classification of ecg signals with artificial neural network based ensemble learning method
- Tez No: 576792
- Danışmanlar: DOÇ. DR. GÜLAY TEZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Kardiyak rahatsızlıkları tespit etmek ve tanımlamak için Elektrokardiyografi (EKG) sinyali en temel araçtır. EKG sinyalinin hızlı ve kolay değerlendirilmesi, bu hastalıkların teşhisinde etkili bir tedavi yöntemi sunmaktadır. Bu amaçla sayısal sinyal işleme ve makine öğrenmesi yöntemlerinin kullanılması yorumlayıcıya büyük destek sunmaktadır. Literatürde EKG gibi sinyalleri işlemek ve değerlendirmek için tek veya hibrit makine öğrenme algoritmalarıyla yapılmış birçok çalışma mevcuttur. Topluluk öğrenme yöntemi, sınıflandırmada daha iyi sonuçlar elde etmek için farklı makine öğrenme algoritmalarının bir kombinasyonudur. Bu çalışmada, EKG sinyalini İleri Beslemeli Yapay Sinir Ağlarından oluşan bir topluluk yöntemiyle kullanarak kalp ritmi bozuklukları tespit edilmiş ve tanımlanmıştır. Bu çalışmada edilen normal ve anormal sinyaller içeren standart MIT-BIH aritmi veritabanından elde edilen EKG dosyaları kullanılmıştır. Bu sinyallerden gürültünün giderilmesi ve QRS kompleksinin tanımlanmasından sonra, farklı özellik setleri çıkarılmıştır: Dalgacık Ayrık Dalgacık Dönüşümü kullanılarak oluşturulan dalgacık özellik seti ve güç spektral yoğunluğunu temsil eden ve Welch Metodu ile elde edilen spektral özellik seti. Ek olarak, EKG sinyallerinden dalgaların zaman ve genlik bilgisini gösteren morfolojik özellikler üçüncü seti oluşturmak için ölçüldü. Ayrıca, en iyi topluluk yapısını araştırmak için üç farklı topluluk yöntemi uygulanmıştır. Topluluk yöntemlerinin EKG sinyallerinin sınıflandırılmasındaki performansı hassasiyet, özgüllük ve doğruluk ile değerlendirilmiştir. Elde edilen deney sonuçları, yığın genelleme topluluğu yönteminin, morfolojik özellik kümelerinde% 90,2 ile diğer modellerden daha iyi performans gösterdiğini göstermektedir. Tüm özellik kümelerinde ortalama doğruluk yığın genelleme yöntemi % 89.97,% 95.65 hassasiyet ve% 78.38 özgüllük elde edilmiştir.
Özet (Çeviri)
Electrocardiography (ECG) signal is a common tool used to detect and to identify cardiac diseases. The rapid and easy evaluation of the ECG signal offers an effective treatment for the diagnosis of these diseases. The use of digital signal processing and machine learning methods in the evaluation of ECG signals provides great convenience for the interpreter. There are many studies in the literature with single or hybrid machine learning algorithms to process and evaluate signals such as ECG. Ensemble learning is also a combination of different machine learning algorithms to achieve better results in classification. In this study, heart rhythm disorders were detected and identified by using ECG signal with an ensemble method consisting of Feed-Forward Artificial Neural Networks. The ECG files used in this study were obtained from a standard MIT-BIH arrhythmia database consisting normal and abnormal signals. After removing of the noise from these signals and identification of the QRS complex, different feature sets were extracted: wavelet feature set with features extracted Discrete Wavelet Transform and spectral feature set with features obtained with Welch Method to represent power spectrum density. In addition, the morphological features which indicate the time and the amplitude information of waves were measured from ECG signals to form the third set. Moreover, three different ensemble methods were applied to investigate the best ensemble structure. The performance of the ensemble methods on the classification of ECG signals was assessed by the sensitivity, specificity, and accuracy. The obtained experimental results indicated that the stacked generalization ensemble method performed better than the other models on the morphological feature set with 90.2% accuracy. On all the feature sets stacked generalization method on average obtained an accuracy of 89.97%, sensitivity of 95.65% and specificity of 78.38%.
Benzer Tezler
- Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması
Classification of arrhythmias based on artificial intelligence from electrocardiography signals
BÜŞRA ÜNLÜ
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Miyokard enfarktüsü hastalarının tespitinde doğrusal olmayan özniteliklerin performans analizi
Performance analysis of non-linear features in detection of myocardial infarction patients
MERVE KESER
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ NARİN
- An ensemble learning model for wide-area measurement based transient stability assessment in power systems
Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli
CAN BERK SANER
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Afet yönetimi odaklı hücresel ağ kapsama performansı için mekansal yapay zeka tabanlı model önerisi
Geospatial artificial intelligence (GeoAI) based model proposal for cellular network coverage performance with a focus on disaster management
GÜZİDE MİRAY PERİHANOĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN