Elektrokardiyografi sinyallerinin zaman frekans analizinden aritmi hastalığının uzun kısa süreli hafıza derin öğrenme modeli ile tespiti
Detection of arrhythmia disease from time-frequency analysis of electrocardiography signals with long short-term memory deep learning model
- Tez No: 723032
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER KASIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Aritmi, Biyomedikal Sinyal İşleme, Derin Öğrenme ile Özellik Çıkarımı, Elektrokardiyografi(EKG), Komşuluk Bileşen Analizi (NCA), Uzun Kısa Süreli Hafıza Derin Öğrenme Modeli (LSTM), Arrhythmia, Biomedical Signal Processing, Electrocardiography, Feature Extraction with Deep Learning, Long Short Term Memory Deep Learning Model (LSTM), Neighborhood Component Analysis (NCA)
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Elektrokardiyografi (EKG), kalp hastalıklarının tespit edilmesinde en popüler ve en temel teknik olarak bilinir. Kalp hastalıklarının erken teşhis edilmesi ileride oluşabilecek kalıcı hasarların ve ölüm oranının azaltılmasında oldukça etkilidir. Bu çalışmada normal EKG sinyallerini atriyal fibrilasyon (Afib) belirtileri gösteren sinyallerden ayırt edebilen bir sınıflandırıcı tasarlanması amaçlanmıştır. Çalışmada Physionet Computing in Cardiology 2017 (Physionet/CinC 2017) aritmi veri tabanından seçilen normal ve Afib sinyallerinden oluşan bir veri tabanı kullanılmıştır. Bu tez çalışmasında derin öğrenme ve sinyal işleme kullanılarak elektrokardiyogram (EKG) verileri sınıflandırılmıştır. Literatürde kullanılan frekans analizi yöntemleri, transfer öğrenmesi ve derin öğrenme yöntemleri özellik çıkarımında etkin çalışmasına rağmen özellik çıkarımının optimize edilmesi bu tez çalışması için önemli bir motivasyon kaynağıdır. Rastgele uzunluktaki EKG kayıtlarının sınıflandırılması için derin sinir ağı mimarisi olan LSTM ağ modellemesi ve zaman-frekans analizi kullanılmıştır. Başarıyı maksimize edebilmek için komşuluk bileşen analizi (NCA) ile özellik optimizasyonu sağlanmıştır. Yapılan iki sınıflı çalışmanın performans sonuçları doğruluk, duyarlılık, özgüllük, hassasiyet ve F1 skoru değerleri sırasıyla, %91.43, %90.00, %92.86 ,%92.65 ve %91.30 olarak bulunmuştur. Bu analiz istatistiksel özelliklerin hesaplanması yerine zaman serisi analizi ile LSTM mimarisinden elde edilen özelliklerin optimize edilerek daha başarılı olabileceğini kanıtlamıştır. Tez çalışmasındaki deneylerden elde edilen sonuçlar bu alanda çalışan uzmanları asiste edebilecek niteliktedir.
Özet (Çeviri)
Electrocardiography (ECG) is known as the most popular and basic technique for detecting heart diseases. Early diagnosis of heart diseases is very effective in reducing the permanent damage and mortality rate that may occur in the future. In this study, it is aimed to design a classifier that can distinguish normal ECG signals from signals showing signs of atrial fibrillation (Afib). In the study, a database consisting of normal and Afib signals selected from the Physionet Computing in Cardiology 2017 (Physionet/CinC 2017) arrhythmia database was used. In this thesis, electrocardiogram (ECG) data were classified using deep learning and signal processing. Although frequency analysis methods, transfer learning and deep learning methods used in the literature work effectively in feature extraction, optimizing feature extraction is an important motivation source for this thesis. LSTM network modeling, which is a deep neural network architecture, and time-frequency analysis were used to classify random-length ECG recordings. In order to maximize the success, feature optimization was achieved with neighborhood component analysis (NCA). The performance results of the two-class study were found to be 91.43%, 90.00%, 92.86%, 92.65% and 91.30%, respectively, with accuracy, sensitivity, specificity, sensitivity and F1 score. This analysis proved that it can be more successful by optimizing the features obtained from the LSTM architecture with time series analysis instead of calculating statistical features. The results obtained from the experiments in the thesis study are capable of assisting the experts working in this field.
Benzer Tezler
- Development of a unified method for the detection and analysis of late potentials as non-invasive predictors to ventricular tachycardia in electrocardiography
Elektrokardiyografide ventrikül taşikardisinin non-invazif prediktörleri olarak geç potansiyellerin tespiti ve analizi için bir örnek yöntem geliştirilmesi
AYAD ADAM MOUSA
Doktora
İngilizce
2005
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. ATİLA YILMAZ
- Uykuda solunum bozukluklarının teşhisi ve sınıflandırılmasının yumuşak hesaplama algoritmaları kullanılarak gerçeklenmesi
Sleep respiration disorders diagnosis and classification utilizing soft computing algorithms
OĞUZ HAN TİMUŞ
Doktora
Türkçe
2015
BiyomühendislikKocaeli ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMİNE BOLAT
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Uyku apnesinin mikroyapı analizi
Microstructure analysis of sleep apnea
ONUR KOÇAK
Doktora
Türkçe
2014
BiyomühendislikAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZİYA TELATAR
- Analysis of signal processing algorithms for detection of human vital signs using uwb radar
Hayati bulguların geniş bantlı radar sistemleri ile tespitinde kullanılan sinyal işleme algoritmalarının analizi
CANSU EREN
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
PROF. DR. SAEİD KARAMZADEH