EMG verileri kullanılarak makine öğrenmesi yöntemleri ile polinöropati teşhisi
Machine learning based polyneuropathy diagnosis using electromyogram data
- Tez No: 702632
- Danışmanlar: PROF. DR. ADNAN KAVAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Erken ve doğru teşhis ile en verimli tedavi uygulamalarına karar destek noktasında kullanılmaya başlanan bilgi teknolojileri, sağlık hizmeti sunucuları ve hastaları için hız, zaman, doğruluk ve kaliteli sağlık hizmeti sunmaya destek olmaktadır. Yine bu alanda, ortaya çıkan hastaya özgü verileri farklı algoritma ve bilgi teknolojileri kullanan modeller geliştirerek, tıpta daha verimli bir şekilde uygulama alanı oluşturabiliriz. Bu çalışmada, tıbbi bilgi sistemleri veri tabanlarında toplanan yapılandırılmış elektronik tıbbi kayıtlara dayanarak polinöropati hastalığı riskini belirlemek için makine öğrenmesi yöntemleri uygulamaktır. EMG(Elektromiyogram) analizine dayalı polinöropati tespiti için, 100 kişiye (72 sağlıklı, 28 polinöropati) ait toplam 2200 gerçek veri seti kullanılmış olup, özellik arz eden veriler yaygın olarak kullanılan Makine Öğrenmesi algoritmalarına uygun olacak şekilde tekrar yapılandırılmıştır. EMG verileri, sınıflandırılmadan önce veri ön işleme, veri gruplandırma ve öznitelik çıkarma aşamalarından geçirilmiştir. Bu aşamada profesyonel sağlık hizmeti sunucularından destek alınarak verimliliğin en üst seviyeye çıkarılması amaçlanmıştır. Bir sonraki aşamada ise Karar Ağaçları, Naif Bayes, K-NN Algoritması, Destek Vektör Makineleri (SVM) Algoritması ve Rastsal Orman sınıflandırma algoritmaları ile veriler sınıflandırılmıştır. Çoklu öznitelik vektörlerinin kullanılması durumunda Naif Bayes algoritması sınıflandırıcıları, diğer sınıflandırıcılara göre EMG verilerini daha yüksek doğrulukla sınıflandırmış olup toplam doğruluk %80 olarak tespit edilmiştir. Ortaya çıkan sonuçlar sağlık hizmeti sunucuları ile paylaşılarak verimliliğin memnun edici seviyede olduğu teyit edilmiştir. Tahmine dayalı modellerin sağlık alanında daha fazla uygulama alanı bulması sağlık hizmeti veren ve alan açısından önemli faydalar sağlayacağı tespit edilmiştir.
Özet (Çeviri)
Information technologies, which are used at the decision support point for the most efficient treatment applications with early and accurate diagnosis, support to provide speed, time, accuracy and quality health care for healthcare servers and patients. Again, in this field, we can create a more efficient application area in medicine by developing models that use different algorithms and information technologies. The aim of this study is to implement machine learning methods to determine the risk of polyneuropathy based on structured electronic medical records collected in medical information systems databases. A total of 22,000 actual data sets belonging to 1,000 people (720 healthy, 280 polyneuropathies) were used for polyneuropathy detection based on EMG analysis and the featured data was reconfigured to match commonly used Machine Learning algorithms. In this study, EMG(Electromyogram) data was passed through the data preprocessing, data grouping and attribute extraction stages before being classified. At this stage, it is aimed to maximize efficiency by getting support from professional healthcare providers. In the next stage, data is classified with Decision Tree, Naïve Bayes, K-NN Algorithm, Support Vector Machine (SVM) Algorithm and Random Forest classification algorithms. In the case of multiple attribute vectors, Naive Bayes algorithm classifiers classified EMG data with higher accuracy than other classifiers, with total accuracy at 80%. The resulting results were shared with health care providers and the efficiency was confirmed to be satisfactory. It has been determined that predictive models will find more applications in the field of health, providing health care and providing undeniable benefits in terms of the field.
Benzer Tezler
- Kronik inflamatuvar demiyelinizan polinöropati (CIDP) hastalığının teşhisinde makine öğrenme algoritmaları kullanılarak karar destek sistemi oluşturma
Developing a decision support system for the diagnosis of chronic inflammatory demyelinating polyneuropathy (CIDP) using machine learning algorithms
HÜSEYİN AKBUDAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBiyomedikal Ana Bilim Dalı
DOÇ. DR. MUHAMMET SERDAR BAŞÇIL
- Koldan alınan EMG sinyalleri ile uzaktan kontrollü sistemlerin kullanılmasına yönelik uygulama geliştirilmesi
Developing an application for enabling use of remote controlled systems with EMG signals received from
FATİH GÖKÇE
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT ATİLA
- Makine öğrenmesi yöntemlerinin polisomnografik verilere uygulanması
Application of machine learning methods to polysomnography datas
GÜVEN ÇENTİK
Doktora
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLHAN UMUT
- MYO bileklik kullanılarak alınan parmak hareketlerine ait EMG işaretlerinin makine öğrenme yöntemleri ile sınıflandırılması
Classification using machine learning methods of finger gesture EMG signals acquired with MYO armband
MUHAMMED ERDİM
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CENGİZ TEPE
- Gesture recognition and customization on textile-based pressure sensor array
Tekstil tabanlı basınç sensörü dizisinde hareket algılama ve kişiselleştirme
İLKNUR ÇELİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE