Geri Dön

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

  1. Tez No: 748209
  2. Yazar: ŞEVKET GÜNDÜZ
  3. Danışmanlar: PROF. DR. CABİR VURAL, PROF. DR. ALİ SERDAR FAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Kardiyoloji, Electrical and Electronics Engineering, Cardiology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

Bu araştırma, aynı anda ölçülen tek kanallı EKG ve Bio-Z işaretlerine dayanan güvenilir bir kalp yetmezliği tespit yöntemi geliştirmeyi amaçlamaktadır. Bu amaca ulaşmak için, tek kanallı EKG ve Bio-Z işaretlerini aynı anda ölçebilen pratik bir donanım sistemi aracılığıyla yeni bir veri kümesi hazırlanmış ve daha sonra kalp yetmezliğini tespit edebilen bir derin öğrenme çerçevesi geliştirilmiştir. Çalışmanın arkasındaki fikir, taşınabilir ve giyilebilir bir kalp yetmezliği algılama ve izleme sisteminin temel bileşeni olacak, kabul edilebilir bir performansa sahip bir yapay zeka modeli geliştirmektir. Sol ventrikül ejeksiyon fraksiyonu %50'nin altında olan 14 kalp yetmezliği teşhisi konulmuş hasta ve 14 sağlıklı denek çalışmaya dahil edilmiştir. EKG ve Bio-Z ham ölçümleri aynı anda beş farklı pozisyonda (sırtüstü, oturma, ayakta durma, hafif tempo yerinde sayma, hafif tempolu oturma-kalkma) kaydedilmiştir. Veri kümesi, ham verilerin 5 saniyelik dilimlere bölünmesiyle hazırlanmıştır. Her dilim aynı zaman aralığında kaydedilmiş EKG ve Bio-Z verilerini içermektedir. Aykırı değerler tespit edilip veri kümesinden çıkartılmıştır, verilere normalleştirme ve standartlaştırma uygulanmıştır. Standartlaştırma, doğruluk performansını büyük ölçüde arttırmıştır. Önerilen konvolüsyon sinir ağı modeli, EKG ve Bio-Z verileri için iki özellik çıkarma kanalına sahiptir ve konvolüsyon, maksimum havuzlama ve tamamen bağlı katmanlar dahil olmak üzere yedi katmandan oluşmaktadır. Model, yalnızca EKG, yalnızca Bio-Z ve hem EKG hem de Bio-Z verileri kullanılarak ayrı ayrı eğitilmiştir. Kayıp fonksiyonu, ikili çapraz entropi ve l-2.-norm düzenlileştirme teriminin toplamıdır. Sadece EKG verileriyle eğitilen modelin performansı %96 doğruluk ve %94 hassasiyet olarak tespit edilmiştir. Model hem EKG hem de Bio-Z ile beslendiğinde, performansı doğrulukta % 98'e ve hassasiyette % 97'ye yükselmiştir. Hassasiyet, F1 skoru ve AUC-ROC değerleri sırasıyla %97, %97, %99 bulunmuştur. Sonuçlar, EKG ve Bio-Z verilerinin, önerilen konvolüsyon sinir ağı modeli kullanarak kalp yetmezliğini tespit etmek için kullanılabileceğini göstermektedir.

Özet (Çeviri)

This research is aimed to develop a reliable heart failure detection method based on single lead ECG and Bio-Z signals measured simultaneously. To achieve this goal, a new dataset has been prepared by a practical hardware system capable of measuring single lead ECG and Bio-Z signals simultaneously, and then a deep learning framework that can detect heart failure was developed. The idea behind the study is to develop an artificial intelligence model with an acceptable performance that will be the fundamental component of a portable and wearable heart failure detection and monitoring system in real time. 14 patients with left ventricular ejection fraction less than 50% and 14 healthy subjects were included in the study. ECG and Bio-Z raw measurements were recorded simultaneously in five different positions (supine, sitting, standing, light tempo marking time, light tempo sit-stand). The dataset was prepared from the raw data by dividing it into segments of 5-seconds durations. Each segment contains both ECG and Bio-Z data recorded in the same time interval. Outliers were detected and removed, normalization and standardization were conducted to the measurements. Standardization boosted the accuracy performance tremendously. The proposed convolutional neural network model has two feature extraction branches for ECG and Bio-Z data, and it consists of seven layers including convolution, max-pooling and fully connected layers. The model was trained separately by using only ECG, only Bio-Z, and both ECG and Bio-Z data. Loss function is sum of Binary Cross Entropy and l_2-norm regularization term. Performance of the model trained by only ECG data was 96% in accuracy and 94% in sensitivity. When the model was fed with both ECG and Bio-Z, its performance was increased to 98% in accuracy and 97% in sensitivity. The precision, F1-score, and AUC-ROC values were 97%, 97%, 99%, respectively. Results show that ECG and Bio-Z data can be used to detect HF by using the proposed convolutional neural network model.

Benzer Tezler

  1. Automated diagnostic tool for hypertension using deep learning model

    Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı

    TUĞBA YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHA ŞEN

  2. Machine learning-based detection of abnormal ventricular contractions of the heart from ECG signals

    Kalbin anormal ventriküler kasılmalarının EKG sinyallerinden makine öğrenimi tabanlı tespiti

    YUNUS EMRE ASLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik BilimleriYeditepe Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN ERTAŞ

  3. Makine derin öğrenme ile bt görüntüleri kullanarak pulmoner hipertansiyonun hemodinamik sınıflandırılması

    Hemodynamic classification of pulmonary hypertension using CT images with machine deep learning

    MEHMET ALİ GELEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    KardiyolojiFırat Üniversitesi

    Kardiyoloji Ana Bilim Dalı

    DOÇ. DR. TARIK KIVRAK

  4. Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques

    Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması

    RAGHAD MOHAMMED KHORSHEED

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  5. Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti

    Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods

    NURDOĞAN CEYLAN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEZGİN KAÇAR