Uzaktan sağlık izleme ve makine öğrenmesi tabanlı kardiyak aritmi tespit sistemi tasarımı
Design of remote health monitoring and machine learning based cardiac arrhythmia detection system
- Tez No: 651044
- Danışmanlar: PROF. DR. EMİNE BOLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Uzaktan sağlık takip ve erken uyarı sistemleri doktorların bulunamayacağı, hastaların kısıtlı zamana sahip olması nedeni ile doktoru ziyaret edemediği durumlarda sağlık hizmetlerinin sunumuna çok katkıda bulunmaktadır. Acil bir durum gerçekleştiğinde hastalar yardım isteme imkanı bulamayabilmekte veya acil durumun bilincinde olmayabilmektedir. Özellikle kardiyovasküler hastalıklar dünya çapında ani ölümlerin başlıca sebeplerinden birisidir. Bu nedenle Elektrokardiyografi (EKG) sinyalleri fizyolojik sinyaller arasında büyük öneme sahiptir ve çeşitli kalp hastalıklarının teşhisinde uzmanlara yardımcı olmaktadır. Bu nedenle bu tez çalışmasında hastaların EKG sinyalleri, SpO2, nabız ve vücut sıcaklığı değerleri gibi hayati önem taşıyan fizyolojik sinyallerinin gerçek zamanlı takip edilebilmesi amacı ile bir sistem geliştirilmiştir. Önerilen sistemde, fizyolojik sinyaller Bluetooth aracılığı ile akıllı telefona aktarılarak Android tabanlı uygulama ile hastalar tarafından gerçek zamanlı olarak izlenebilmektedir. Sağlık verileri gerçek zamanlı olarak izlenirken uygulama aynı zamanda verileri Firebase Gerçek Zamanlı Veri Tabanına kaydetmektedir. Geliştirilen diğer bir Android tabanlı uygulama ile klinisyenler hastalarının bütün kayıtlarını inceleyebilmektedir. EKG sinyallerinin yalnızca görüntülenmesi yeterli değildir. Bir uyarı sistemi oluşturmak için hayati öneme sahip EKG sinyallerinde ki anormal durumların tespit edilmesi gerekmektedir. Bu amaçla çalışma kapsamında EKG sinyallerindeki anormal durumların tespit edilebilmesi için makine öğrenmesi tabanlı bir yöntem önerilmiştir. Bu yöntem kapsamında ilk olarak EKG sinyali üzerindeki gürültüler ön işleme süreci ile giderilmekte ve öznitelik çıkarım işlemi yapılmaktadır. Geliştirilen algoritma, kNN sınıflayıcısı ile MIT-BIH Aritmi Veri Tabanından alınan EKG sinyaller ile test edilmiş ve 5 öznitelik seti ile %96,54 doğruluk, %92,51 duyarlılık, %98,33 özgüllük, %96,11 pozitif öngörü ile sınıflandırma başarısı göstermiştir.
Özet (Çeviri)
Remote health monitoring and early warning systems contribute greatly to the provision of health services in cases where doctors cannot be found and patients cannot visit the doctor due to the limited time. When an emergency occurs, patients may not be able to seek help or may not be aware of the emergency. Cardiovascular diseases in particular are one of the main causes of sudden death worldwide. Therefore, Electrocardiography (ECG) signals are of great importance among physiological signals and assist specialists in the diagnosis of various heart diseases. For this reason, in this thesis, a system was developed in order to monitor the physiological signals of patients, such as ECG signals, SpO2, pulse and body temperature values in real time. In the proposed system, physiological signals can be transferred to the smartphone via Bluetooth and monitored in real time via Android-based application. While the health data is monitored in real time, the application also stores the data in the Firebase Real Time Database. With another Android-based application developed, clinicians can review all records of their patients. It is not enough to only display ECG signals. In order to establish a warning system, abnormal conditions in vital ECG signals need to be detected. For this purpose, in this study, a machine learning based method was proposed to detect abnormal conditions in ECG signals. The algorithm developed was tested with ECG signals received from the MIT-BIH Arrhythmia Database with the kNN classifier, and with 5 sets of features, 96.54% accuracy, 92.51% sensitivity, 98.33% specificity, 96.11% positive predictive success It showed.
Benzer Tezler
- Convolutional autoencoder based heart arrhythmia detection system
Evrişimli otomatik kodlayıcı tabanlı aritmi tespit sistemi
ÖYKÜ ERAVCI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Giyilebilir sensörlerle sağlık izleme
Health monitoring via wearable sensors
TUNÇ AŞUROĞLU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN OĞUL
- Augmented superpixel based anomaly detection in hyperspectral imagery
Hiperspektral görüntülerde genişletilmiş süperpiksel tabanlı anomali tespiti
EZGİ GÖKDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR