Accurate classification of heart sound signals forcardiovascular disease diagnosis using wavelet analysiswith machine learning and deep learning methodologies
Makine öğrenmesi ve derin öğrenme yöntemleri ile dalgacık analizi kullanılarak kalp ses sinyallerinin kardiyovasküler hastalık tanı amaçlı doğru sınıflandırılması
- Tez No: 632406
- Danışmanlar: PROF. DR. MEHMET EMİN YÜKSEL
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Mühendislik Bilimleri, Bioengineering, Engineering Sciences
- Anahtar Kelimeler: Kalp sesleri, makine ö˘grenmesi, derin ö˘grenme, dalgacık analizi, Heart sounds, Machine learning, Deep learning, Wavelet analysis
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler hastalıkların (KVH) erken tanısı, bu hastalıklardan kaynaklanan olumsuzlukların ve olası ölümlerin azaltılması açısından çok önemlidir. Kalp sesleri kalbin durumu ile ilgili de˘gerli bilgiler içerir. Bu sebeple kalbin durumunun de˘gerlendirilmesine yönelik ilk i¸slem genellikle uzman bir hekimin stetoskop yardımıyla kalp seslerini dinledi˘gi ve bu sesleri yorumlayarak tanı koydu˘gu oskültasyon i¸slemidir. Ancak bu i¸slemin ba¸sarımı do˘gal olarak hekimin tecrübesine ba˘glıdır ki bu durum tanının öznel olmasına yol açar. Makine ö˘grenmesi ve derin ö˘grenme yöntemleri kalp sesi analizi için nesnel, daha dü¸sük maliyetli ve invasiv olmayan alternatif yöntemler sunmaktadır. Bu tez çalı¸smasında KVHların otomatik tanısına yönelik makine ö˘grenmesi ve derin ö˘grenme tabanlı yeni ve etkin yöntemler önerilmektedir. Önerilen yöntemler temelde kalp seslerinin dalgacık skalogramlarının makine ö˘grenmesi ve derin ö˘grenme tabanlı yakla¸sımlarla sınıflandırılmasına dayanmaktadır. Kalp sesi kayıtlarının skalogramlarını elde etmek için sürekli dalgacık dönü¸sümü seçilmi¸stir. Bunu takiben skalogram görüntüleri bir evri¸simsel sinir a˘gı modelini ve dört farklı önceden e˘gitilmi¸s derin a˘g modelini e˘gitmek için kullanılmı¸stır. Buna ek olarak, nesne sezmede popüler bir yöntem olan yönlü gradyan histogramı (HOG) skalogram görüntülerinden nitelik çıkarmak için kullanılmı¸stır. Çıkarılan HOG nitelikleri sınıflandırma deneyleri için makine ö˘grenmesi tabanlı modellere beslenmi¸stir. Önerilen yöntemlerin performansları hem normal hem de dört farklı kalp patolojisine ait kalp sesleri içeren bir veri seti kullanılarak de˘gerlendirilmi¸stir. Önerilen yöntemlerin her ikisinin de literatürde mevcut di˘ger otomatik kalp sesi sınıflandırma yöntemlerinden daha iyi ba¸sarım sundu˘gu görülmü¸stür. vi
Özet (Çeviri)
The early detection of cardiovascular diseases (CVDs) is very important to reduce the occurrences of deaths or mitigate their implications. Heart sounds contain valuable information about the condition of the heart. For this reason, the first step in the evaluation of the condition of the heart is usually the practice of auscultation, in which a physician uses a stethoscope to listen to the heart sounds and interprets them to reach a medical diagnosis. However, the success of this process naturally depends on the expertise of the physician, which makes the diagnosis subjective. Machine learning and deep learning methods offer objective, lower cost, and non-invasive alternatives for heart sound analysis. This thesis study proposes novel and efficient methods for automatic CVDs diagnosis based on machine learning and deep learning methodologies. The continuous wavelet transform is selected to obtain the scalogram of heart sound recordings. The scalogram images are then used to train a convolutional neural network model and four different pre-trained deep network models. Furthermore, the histogram of oriented gradient (HOG), a popular method for object detection, is employed to extract features from the scalogram images. Subsequently, the HOG features are fed to machine learning models for classification experiments. The performances of the proposed methods are evaluated using a dataset that consists of normal heart sounds and heart sounds representing four different heart pathologies. It is seen that both of the proposed methods offer superior performance over other methods available in the literature for automatic heart sound classification.
Benzer Tezler
- Heart sounds classification using deep learning algorithms
Derin öğrenme algoritmaları kullanarak kalp sesleri sınıflandırması
MOHAMMED MANSUR ABUBAKAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER TUNCER
- Kardiyovasküler hastalıkların teşhisine yönelik kalp seslerinin sınıflandırılması
Classification of heart sounds for the diagnosis of cardiovascular diseases
ELİF ÇİÇEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN YÜCE
PROF. DR. ALPER KEPEZ
- Helisel yayların statik karakteristiklerini ölçme ve kontrol etme cihazının tasarımı ve imalatı
Design and manufacture of a device measuringand controlling the static characteristics of helical springs
MUAMMER MUSULLUOĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN
- Çekirdeksiz kuru üzümlerde aflatoksin B1, B2, G1, G2 tayini için mevcut bazı metotların karşılaştırılması üzerinde bir çalışma
Başlık çevirisi yok
DİLEK BOYACIOĞLU
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MERAL GÖNÜL