Sparse representation based ECG heartbeat classification using convolutional neural networks
Tıbbı sinyal sınıflandırması için seyrek temsil tabanlı çevrimsel sinir ağlarının kullanılması
- Tez No: 645359
- Danışmanlar: DOÇ. DR. SEMA KAYHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Kardiyovasküler bozukluklar, elektrokardiyogram (EKG veya ECG) kullanılarak izlenebilir. Kalp rahatsızlıklarının yorumlanması insanlar için zor olduğundan, doktorların aritmi varyasyonlarını gerçek zamanlı ve doğru bir şekilde sınıflandırmalarına yardımcı olacak otomatik modeller geliştirmek büyük önem taşımaktadır. EKG cihazlarından ve ayarlarından kaynaklanan gürültüye ek olarak hasta kayıtlardaki EKG kalp atışları arasında benzerlikler olduğundan EKG sinyallerinin sınıflandırılması zordur. Bu çalışmada, tamamlanmış bir Gabor sözlüğü üzerinden EKG sinyallerinin seyrek temsilini kullanan ve bunları Evrişimli Sinir Ağı kullanarak sınıflandıran yeni bir model sunumaktadır. Aşırı tamamlanmış Gabor sözlüğü aracılığıyla uygun seyrek vektörler üretmek için Dik Eşleştirmeme Takip Algoritması kullanılır. Üretilen seyrek girdiler, 5 farklı EKG kalp atışı kategorisini otomatik olarak sınıflandırmak için, önerilen beş ardışık çift 1-D evrişimli katmandan oluşan ağı, beslemek için kullanılır. Geleneksel algoritmaların aksine, bu yöntem, özellik çıkarma veya seçme gibi ön işleme gerektirmez. Geliştirilen modelin performansını değerlendirmek için MITBIH Aritmi veritabanı kullanılmıştır. Önerilen model, hem seyrek hem de seyrek olmayan girdiler kullanılarak test edilmiştir. Model, dengesiz sınıfların etkisini azaltmak amacıyla sınıfları artırılmış ve dengelenmiş veriler üzerinde de test edilmiştir. Deneysel sonuçlar, dağıtılmış girdiler için model doğruluğunun dengesiz ve dengeli veriler için sırasıyla% 97.44 ve% 97.32'ye ulaştığını göstermektedir. Seyrek olmayanlar için ise bu performans dengesiz ve dengeli veriler için sırasıyla% 98,84 ve% 98,69 olarak gerçekleşmiştir.
Özet (Çeviri)
The cardiovascular disorders can be monitored using electrocardiogram (ECG or EKG). Since the interpretation of arrhythmias disorders is difficult by human, it is of great importance to develop automated models to help physicians classify arrhythmias in a real-time and accurate manner. The classification of ECGs signals is challenging as there are similarities among ECG heartbeats within inter-patient and intra-patient recordings, in addition to the noise resulted from ECGs' apparatus and settings. This paper presents a new model, which uses sparse representations of ECG signals and classifies them using a Convolutional Neural Network. An orthogonal matching pursuit method is implemented to produce appropriate sparse-represented signals based on an overcomplete Gabor dictionary. The sparsified (SR-ed) inputs are fed into the proposed network which consists of 5 successive double 1-D convolutional layers to classify 5 ECG categories. In contrast to traditional algorithms, this method does not require preprocessing such as feature extraction or selection. The MITBIH Arrhythmia database is used to evaluate the performance of the developed model. The model is tested using non-SR-ed, SR-ed and compressed SR-ed (CSR-ed) data for both imbalanced and balanced classes datasets. The experimental results show that the model accuracies of the SR-ed data reach up to 97.44% and 97.32% for the imbalanced and balanced datasets respectively. While for the non-SR-ed ones, the accuracies reach up to 98.84% and 98.69% for the imbalanced and balanced datasets respectively. Finally, as for the CSR-ed inputs, the accuracies reach up to 93.96% and 83.38% for the imbalanced and balanced datasets respectively.
Benzer Tezler
- Hiperspektral görüntülerin bölütleme ve seyrek gösterim temelli sıkıştırılması
Segmentation and sparse representation based compression of hyperspectral images
ADEM ERTEM
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Sparse representation frameworks for inference problems in visual sensor networks
Görsel algılayıcı ağlarındaki istatiksel çıkarım problemleri için seyrek temsil yöntemleri
SERHAN COŞAR
Doktora
İngilizce
2013
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- Robust classification based on sparsity
Seyrekliğe dayalı gürbüz sınıflayıcı
ELENA BATTİNİ SÖNMEZ
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. SONGÜL ALBAYRAK
- Öğrenme tabanlı tek görüntü süper çözünürlüğü yaklaşımlarının geliştirilmesi ve uygulanması
Development and implementation of learning based single image super resolution approaches
SELEN AYAS
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EKİNCİ
- Dendritic spine shape analysis based on two-photon microscopy images
İki foton mikroskobik görüntüleri kullanarak dendritik diken şekil analizi
MUHAMMAD USMAN GHANI
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN