Elektrokardiyogram işaretlerinin derin sinir ağlarına dayalı sıkıştırılması
Compression of electrocardiogram signals based on deep neural networks
- Tez No: 639673
- Danışmanlar: PROF. DR. HAKAN GÜRKAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Elektrokardiyogram (EKG) işaretleri, insan vücudunun önemli organlarından biri olan kalbin elektriksel aktivitesini gösteren işaretlerdir. 0,05-150 Hz aralığında bant genişliğine sahip olan bu işaretler, kalp kaslarının gevşeyip kasılması sonucunda üretilmektedir. EKG işaretleri herhangi bir hastalık durumunda uygun tanı ve tedavinin belirlenmesi, uygulanan tedavinin takip edilmesi, değerlendirilmesi ve ortaya çıkabilecek olumsuzlukların tespiti aşamalarında sıklıkla kullanılmaktadır. Bu nedenle modern tıbbi uygulamalarda EKG işaretlerinin uzun süreli ve etkili bir şekilde kaydedilmesi, işlenmesi ve gerçek zamanlı olarak iletilmesi gerekmektedir. Uzun süre boyunca kaydedilen EKG verilerinin kapladığı alan çok büyük boyutlarda olabilmektedir. Bu durum, EKG işaretlerinin işlenmesi, depolanması ve iletilmesi noktasında hız ve hafıza problemlerini beraberinde getirmektedir. Bu problemler EKG işaretlerinin verimli bir şekilde sıkıştırılması ile çözülebilmektedir. Bu tez çalışmasında elektrokardiyogram işaretlerinin evrişimsel otokodlayıcılar ve ayrık dalgacık dönüşümüne (ADD) dayalı sıkıştırılma çalışmaları ele alınmıştır. Geliştirilen modellerin başarımı 48 adet EKG kaydı içeren MIT-BIH Arrhythmia veri kümesi üzerinde, sıkıştırma oranı (Compression ratio - CR) ve ortalamadan bağımsız yüzde ortalama karesel fark (MPRD) kriterleri kullanılarak test edilmiştir. Yapılan ilk çalışmada (Önerilen Yöntem-1), geliştirilen sistemin girişine verilen tek boyutlu EKG işaretlerine sıkıştırma ve yeniden oluşturma işlemi gerçekleştirilmiştir. EKG işaretleri sırasıyla bir boyutlu Evrişimsel Otokodlayıcının kodlayıcı bölümü, ADD tabanlı kodlayıcı-kodçözücü ve Evrişimsel Otokodlayıcının kodçözücü kısımlarından geçirilmiştir. Sistemin kodlayıcı bölümlerinde işaretlerin boyutu azaltılmakta ve kodçözücü kısımlarında tekrar eski boyutuna geri getirilmektedir. Önerilen Yöntem-1'de deneysel sonuçlar, ortalama sıkıştırma oranı 32,27:1 ve ortalama MPRD %18.91 olarak elde edilmiştir. Yapılan ikinci çalışmada (Önerilen Yöntem-2), girişine verilen tek boyutlu EKG işaretlerini, birbirine paralel olarak çalışan 4 farklı model ile sıkıştırma ve yeniden oluşturma işlemlerini gerçekleştiren sistem geliştirilmiştir. Böylece sistemin girişine verilen işaret için 4 farklı sıkıştırma oranı ve 4 farklı bağımsız yüzde ortalama karesel fark değerleri elde edilmektedir. Önerilen yöntem-2'de deneysel sonuçlar incelendiğinde, ortalama CR değerleri sırasıyla; 16.22:1, 22.88:1, 32.22:1, 49.82:1 ve ortalama MPRD değerleri sırasıyla; %12.28, %14.74, %18.40, %28.21 olarak elde edilmiştir.
Özet (Çeviri)
Electrocardiogram (ECG) signals are signals that indicate the electrical activity of the heart, one of the important organs of the human body. These signals, which bandwidth in the range of 0.05-150 Hz, are produced as a result of the relaxation and contraction of the heart muscles. ECG signals are frequently used in the determination of appropriate diagnosis-treatment, following the treatment applied, evaluation of the treatment applied and detection of potential problems. For this reason, in modern medical applications, ECG signals should be recorded, processed and transmitted in real time. The area covered of ECG data of recorded for a long time can be very large. This situation brings along speed and memory problems during the processing, storage and transmission of ECG signals. These problems can be solved by compressing ECG signals efficiently. In this thesis, compression studies of electrocardiogram signals based on convolutional autoencoders and discrete wavelet transform are discussed. In this thesis, compression studies of electrocardiogram signals based on convolutional autoencoders (CAE) and discrete wavelet transform (DWT) has been discussed. The success of the developed models has been tested on the MIT-BIH Arrhythmia dataset containing 48 ECG recordings using the compression ratio (CR) and mean-independent percentage mean square difference (MPRD) criteria. In the first study conducted (Proposed Method-1), compression and reconstruction of one-dimensional (1D) ECG signals given to the input of the developed system has been performed. The ECG signals has been passed through the encoder part of the 1D-CAE, the DWT-based encoder/decoder, the decoder parts of the convolutional autoencoder, respectively. In the encoder parts of the system, the size of the signals has been reduced, and in the decoder parts of the system, the size of the signals has been restored. In Proposed Method-1, experimental results have been obtained with an average compression ratio of 32.27: 1 and an average MPRD of 18.91%. In the second study (Recommended Method-2), the system that performs compression and reconstruction operations with 4 different models working in parallel with each other, with one-dimensional ECG signals given to its input, was developed. Thus, 4 different compression ratios and 4 independent percent average square difference values are obtained for the signal given to the input of the system. When the experimental results in the proposed method-2 are examined, the average CR values are; 16.22: 1, 22.88: 1, 32.22: 1, 49.82: 1 and average MPRD values respectively; It was obtained as 12.28%, 14.74%, 18.40%, 28.21%.
Benzer Tezler
- EKG sinyallerinden elde edilen görüntülerin hibrit derin öğrenme yöntemleri kullanılarak sınıflandırılması
Classification of images obtained from ECG signals using hybrid deep learning methods
ONUR AKCAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN UZUN
DR. ÖĞR. ÜYESİ ALİ OSMAN SELVİ
- Evrişimsel sinir ağları kullanılarak EKG ve yüz tabanlı biyometrik tanıma
ECG and face based biometric recognition using convolutional neural networks
AYÇA HANİLÇİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN GÜRKAN
- Heart failure detection with deep networks based on electrocardiography and impedance cardiography signals
Kalp yetersizliğinin elektrokardiyografi ve empedans kardiyografi işaretleri kullanılarak derin ağlara dayalı tespiti
ŞEVKET GÜNDÜZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CABİR VURAL
PROF. DR. ALİ SERDAR FAK
- Makine öğrenmesi yaklaşımları kullanılarak EKG işaretlerinden aritmi teşhisi
Diagnosis of arrhythmia from ECG signs using machine learning approaches
ERSİN ERSOY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI
- Elektrokardiyogram işaretlerinin sıkıştırılması
Compression of electrocardiogram signals
MEHMET KAYA
Yüksek Lisans
Türkçe
2006
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF.DR. TAMER ÖLMEZ