Geri Dön

COVID-19 detection from signs and symptoms using machine learning

Makine öğrenimi kullanılarak belirti ve semptomlardan COVID-19 tespiti

  1. Tez No: 758358
  2. Yazar: JAMAL ALALI ALAHMAD
  3. Danışmanlar: Prof. Dr. ERGUN ERÇELEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Makine Öğrenimi, Sınıflandırma, Teşhis, COVID-19, SARS- COV-2, İşaretler ve Belirtiler, Machine Learning, Classification, Diagnosis, COVID-19, SARS-COV-2, Signs and Symptoms
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 96

Özet

Etkili SARS-CoV-2 (COVID-19) taraması, COVID-19'un hızlı ve kesin teşhisini sağlayarak sağlık sistemleri üzerindeki yükü azaltır. Etkili tedavilerin olmaması nedeniyle birincil sınırlama yaklaşımı, hasta insanları izole ederek enfeksiyonun yayılmasını kısıtlamaktır; yine de, etkilenmeyen insanları izole etmek son derece istenmeyen bir durumdur. COVID-19 tespiti için farklı makine öğrenme modelleri geliştirildi. Bu modeller, özellikle çatışma bölgeleri ve gelişmekte olan ülkeler gibi kaynakların asgari düzeyde olduğu yoksul bölgelerde, hastaların karantinaya alınmasında küresel olarak doktorlara yardımcı olmayı amaçlamaktadır. 2021'in sonunda, küresel resmi olarak kaydedilen COVID1-19 vakaları, 5.430.949 doğrulanmış ölümle 286.582.541'e ulaştı. Bu çalışma, COVID-19 teşhisini tahmin etmek için makine öğrenimi tabanlı modelleri dağıtmayı ve test etmeyi amaçladı. Naive Bayes (NB), Lojistik Regresyon (LR), Destek Vektör Makinesi (SVM), Çok Katmanlı Algılayıcı Sinir Ağı (MLP), Karar Ağacı (DT), Rastgele Orman (RF) ve eXtreme Gradient Boosting (XGBoost) olmak üzere yedi makine öğrenme modeli kullanılmıştır. Modeller, 208.726'sında (%9,7) COVID-19 olduğu bulunan 2.151.898 test edilmiş kişiden alınan veriler üzerinde eğitildi ve test edildi. COVID-19 test sonuçlarını kabul edilebilir doğrulukla tahmin etmek için sadece altı ikili özellik kullanıldı. Veriler; öksürük, ateş, boğaz ağrısı, nefes darlığı ve baş ağrısı gibi beş erken COVID 19 klinik belirtisi ve semptomları içermektekteydi. Ayrıca doğrulanmış COVID-19 vakasıyla temaslı kişilerin verileri de kullanıldı. Genel olarak, GitHub'dan elde ettiğimiz verilere bağlı olarak basit sorular sorarak test kapasitesi kısıtlandığında COVID-19 için testlere öncelik vermek için kullanılabilecek bir model oluşturma olasılığını değerlendirdik. Normal dengesiz verileri kullanıldığında; MLP, DT, RF ve XGBoost makine öğrenme modelleri ile %92,9 doğruluk, %60,4 duyarlılık, %96,4 özgüllük ve %62,2 F-skoru elde ettik. Dengeli sınıflar kullanıldığında ise makine öğrenme modelleri; %91,8 doğruluk, %65,1 duyarlılık, %94,7 özgüllük ve %62,2 F-skoru değerlerini üretti. Yalnızca semptomatik vakalar (161.915) kullanıldığında modeller; %70,8 doğruluk, %89,1 duyarlılık, %47,3 özgüllük ve %77,4 F puanı sonuçlarını verdi. Üç senaryoda XGBoost, RF, DT ve MLP en iyi sonuçları verdi. Eğitim süresi ile ilgili olarak, XGboost, RF ve DT, MLP'den daha hızlıydı.

Özet (Çeviri)

Effective SARS-CoV-2 (COVID-19) screening enables a speedy and precise diagnosis of COVID-19, lowering the load on the health care systems. Different machine learning models were developed for COVID-19 detection. These models are intended to aid physicians globally in the quarantining of patients, especially in poor areas. At the end of 2021, the global officially recorded COVID1-19 cases reached 286,582,541 with 5,430,949 confirmed deaths. This study aimed to deploy and test machine learning-based models for predicting COVID-19 diagnosis. Seven machine learning models have been utilized as Naïve Bayes (NB), Logistic Regression (LR), Support Vector Machine (SVM), Multilayer Perceptron Neural Network (MLP), Decision Tree (DT), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost). The models were trained and tested on data from 2,151,898 tested people, among whom 208,726 (9.7%) were found to have COVID-19. Simply six binary characteristics were used to predict COVID-19 testing results with acceptable accuracy. The data included five early COVID 19 clinical signs and symptoms, such as cough, fever, sore throat, shortness of breath, and headache. Also, the data from people in contact with a confirmed COVID-19 case were used. Overall, we evaluated the possibility of building a model that could be used for prioritizing testing for COVID-19 by asking simple questions depending on the data we acquired from GitHub. When using normal unbalanced data; we achieved 92.9% accuracy, 60.4% sensitivity, 96.4% specificity and 62.2% F-score with the MLP, DT, RF and XGBoost machine learning models. When using balanced classes, all the seven machine learning models produced 91.8% accuracy, 65.1% sensitivity, 94.7% specificity and 60.61% F-score results. When using only symptomatic cases (161.915), MLP, DT, RF and XGBoost models gave 70.8% accuracy, 89.1% sensitivity, 47.3% specificity, and 77.4% F-score results. In the three scenarios XGBoost, RF, DT, and MLP gave the best results. Regarding the training time, XGboost, RF and DT were faster than MLP.

Benzer Tezler

  1. COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti

    Detection of COVID-19 disease using deep learning methods

    HÜSEYİN YAŞAR

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  2. Recognition and monitoring of human motions using RF signals

    İnsan hareketlerinin RF sinyalleri kullanarak tanımlanması ve izlenmesi

    CAN UYSAL

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANSU FİLİK

  3. Derin öğrenme teknikleriyle akciğer röntgeninden COVID-19 hastalığının tespit edilmesi

    Detection of COVID-19 infection from the lung X-ray by deep learning techniques

    AHMET KORKMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÜMİT ATİLA

  4. A comparison of deep neural network architectures for COVID-19 detection using CT chest images

    Göğüs BT görüntüleriyle COVID-19 tespitinde derin sinir ağı mimarilerinin karşılaştırılması

    MEHMET TUNAHAN SARIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilim ve TeknolojiOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    PROF. DR. ÜNAL ERKAN MUMCUOĞLU

  5. Temassız insan vücudu sıcaklık ölçerlerin kalibrasyonu için referans kaynakların ve metotların geliştirilmesi

    Development of the reference sources and methods for the calibration of non-contact human body temperature meters

    MEHTAP CAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    BiyoteknolojiKocaeli Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN KİŞİOĞLU