ECG arrythmia classification using Deep Neural Network
ECG arrythmia classification using Deep Neural Network
- Tez No: 751032
- Danışmanlar: ASSIST. ASSOC. DR. SHAHRAM TAHERI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine Öğrenimi (ML), Derin Öğrenme, Evrişimli Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM), Derin Sinir Ağları, EKG Sinyalleri, Bilgisayar Destekli Tanı Sistemleri, Machine Learning (ML), Deep Learning, Convolutional Neural Networks (CNN), Long-Short Term Memory (LSTM) Deep Neural Networks, ECG Signals, Computer-Aided Diagnosis Systems
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Kalp elektrik sinyallerini değerlendirmek için EKG, sağlık kurumlarında kullanılan en çekici ve düşük maliyetli tanı tekniğidir. Aritmi, anormal kardiyak impulslar için tıbbi bir terimdir. Kardiyak aritmi tehlikelidir ve çoğu durumda ölümcüldür. Aritmiler çeşitli şekillerde gelir ve bir EKG testi bunu tespit eder. Elektrokardiyogram analizi, farklı kalp aritmilerinin sınıflandırılması için tıp alanında büyük bilimsel değer kazanmıştır. Hastalar, aritmi kategorizasyonunu test etmek için uyarlanabilecek otomatik sistemlerden yararlanır ve doktorlar da bunlardan yararlanır. Tıp uzmanlarının teşhis hataları, başlıca ölüm nedenlerinden biridir. İnsanlar artık teknolojik gelişmeler sayesinde hasta prognozunu ve rapor analizinden hastalık çıkarımını otomatikleştirebilir. Hastalık tespiti için uzman sistemlerin oluşturulmasında veri madenciliği ve yapay zeka yaklaşımları son derece değerlidir. CNN ve LSTM, çeşitli hastalık tanımlama sistemleri için kullanılan çok yararlı bir algoritmadır, bu nedenle EKG sinyalinin tespiti için CNN ve LSTM'yi kullanacağız. Maksimum doğruluğu sağlayan önerilen CNN modelimiz 13 katmandan oluşuyor ve LSTM modeli sadece beş katmandan oluşuyor, ancak farklı örneklerde test ettiğimiz veriler üzerinde eğitilecek 512 filtre ile. Her EKG sinyali, basit bir yaklaşım kullanılarak bölümlere ayrılmadan önce taban çizgisini ortadan kaldırmak için önceden işlenir. Önerilen yaklaşım, MIT-BIH kıyaslama veritabanını kullanan simülasyon deneylerinde EKG sınıflandırması için gelişmiş hassasiyet elde etti. Sonuçlar, daha önceki en son teknoloji yaklaşımlarla karşılaştırıldığında, modelimiz daha iyi sonuçlar veriyor.
Özet (Çeviri)
For assessing heart electrical signals, the ECG is the most attractive and low-cost diagnostic technique used in healthcare institutions. Arrhythmia is a medical term for aberrant cardiac impulses. Cardiac arrhythmia is hazardous and, in most cases, fatal. Arrhythmias come in a variety of forms, and an ECG test detect it. Electrocardiogram analysis has received great scientific value in the medical field for the classification of different heart arrhythmias. Patients benefit from automated systems that may be tailored to test for arrhythmia categorization, and doctors benefit from them as well. Medical professionals' diagnostic errors are one of the primary causes of death. Humans can now automate patient prognosis and disease deduction from report analysis thanks to technological advancements. Data mining and artificial intelligence approaches are extremely valuable in the creation of expert systems for disease identification. CNN and LSTM are a very helpful algorithm used for various disease identification systems so we will use CNN and LSTM for the detection of ECG signal. Our proposed CNN model achieving the maximum accuracy consists of 13 layers and the LSTM model consists of just five layers but with 512 filters through which will be trained on data than we tested it in different samples. Every ECG signal is preprocessed to eliminate the baseline before being segmented using a straightforward approach. The suggested approach obtained improved precision for ECG classification in simulation experiments using the MIT-BIH benchmark database. When it results are compared to previously state-of-the-art approaches, our model give better results.
Benzer Tezler
- Time series classification using deep neural networks
Derin sinir ağları ile zaman serilerinin sınıflandırılması
SARMAD SAMI MOHAMMEDALI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER TÜRKER
- Automatic arrhythmia classification from electrocardiogram measurements with deep learning
Derin öğrenme ile elektrokardiyogram ölçümlerinden otomatik aritmi sınıflandırma
BERKCAN YURTSEVER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EBRU AKÇAPINAR SEZER
- Hyper-parameter optimization of deep neural networks with metaheuristic algorithms
Meta-sezgisel algoritmalar ile derin sinir ağlarının hiper-parametre en iyileştirmesi
MUSTAFA EVREN KIYMAÇ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN KAYA
- Makine öğrenmesi yaklaşımları kullanılarak EKG işaretlerinden aritmi teşhisi
Diagnosis of arrhythmia from ECG signs using machine learning approaches
ERSİN ERSOY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI
- EKG vuru imgelerinden kardiyak aritmilerin makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Classification of cardiac arrhythmias from ECG beat images by machine learning and deep learning methods
MUHAMMED HALİL AKPINAR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR