Geri Dön

Performance monitoring of the breathing rate by using artificial intelligence algorithms

Solunum hızının yapay zeka algoritmaları ile performans takibi

  1. Tez No: 805269
  2. Yazar: MURTADHA HAYDER HASAN ALHASAN
  3. Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 63

Özet

Solunum hızı, çok çeşitli tıbbi durumları tanımlamak ve tedavi etmek için kullanılan temel bir göstergedir. Mevcut solunum izleme teknikleri, belirli bir aletin insan vücuduna sürekli olarak bağlanmasını gerektirir. Bu rahatsızlığı önlemek için son zamanlarda temassız solunum izleme teknolojileri oluşturulmuştur. Araştırmaya göre Wifi tarafından elde edilen kanal kalite istatistikleri (CSI), RR'yi belirlemek için kullanılabilir. CSI'daki periyodik varyasyonlardan RR'yi çıkarmak için patern tabanlı solunum tespiti kullanılmış olmasına rağmen, bu tekniğe dayalı sistemler, kanal koşulları elverişsiz olduğunda düşük performans gösterir. Bu tez, son zamanlarda önerilen RR tahmini için öğrenmeye dayalı tekniklere odaklanmaktadır. Daha sonra makine öğrenimi modellerini eğitmek ve değerlendirmek için kullanılan mükemmel derecede iyi kablosuz CSI verilerini toplamak için kullanıma hazır WiFi yönlendiricileri kullanıldı. RR tahmini söz konusu olduğunda, KNN, SVM, Random Forest, Logistic Regression ve MLP gibi sınıflandırma algoritmaları yüzde 96'nın üzerinde doğruluğa ulaşır. Regresyon modelleri mevcut bir örüntü tabanlı sistemle karşılaştırıldığında, RR hesaplanırken regresyon modellerinin çoğu örüntü tabanlı sistemden daha iyi performans gösterdi. Lojistik Regresyonun Ortalama Kare Hatasının Kökü (RMSE) 0,35 iken model tabanlı bir sistemin RMSE'si 2,7'dir. Sınıflandırma ve regresyon modellerinin genelleştirilemeyeceğini ve yeni ve bilinmeyen bir kişiden alınan verilere dayanarak solunum hızını etkili bir şekilde tahmin edemediğini hatırlamak çok önemlidir. Modelleri geliştirmek ve daha genellenebilir hale getirmek için, modelleri eğitmek için kullanılan verilerin daha fazla sayıda katılımcıdan elde edilmesi gerekir.

Özet (Çeviri)

The breathing rate is a key indication was using to identify and treat a wide range of medical conditions. Current breathing monitoring techniques need the continual attachment of a particular instrument to the human body. To avoid this discomfort, contactless respiratory monitoring technologies have recently been created. Channel quality statistics (CSI) acquired by Wifi, according to research, may be used to determine RR. Despite the fact that pattern-based respiration detection has been utilized to extract RR from periodic variations in CSI, systems based on this technique perform poorly when channel conditions are unfavorable. This thesis focuses on learning-based techniques to RR estimation that have recently been proposed. Off-the-shelf WiFi routers were utilized to collect perfectly good wireless CSI data, which was then used to train and assess machine learning models. When it comes to forecasting RR, classification algorithms like KNN, SVM, Random Forest, Logistic Regression, and MLP reach above 96 percent accuracy. When regression models were compared to an existing pattern-based system, the majority of regression models outperformed the pattern-based system when calculating RR. The Root Mean Square Error (RMSE) of Logistic Regression is 0.35, whereas the RMSE of a pattern-based system is 2.7. It's vital to remember that classification and regression models can't be generalized, and they can't effectively estimate respiratory rate based on data from a new and unknown person. The data used to train the models must be obtained from a bigger number of participants in order to enhance and make the models more generalizable.

Benzer Tezler

  1. Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi

    Development of a new machine learning-based method for the diagnosis of chronic obstructive pulmonary disease

    ENGİN MELEKOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜMİT KOCABIÇAK

  2. Non-destructive assessment methods for state of deterioration and consolidation treatments of historical timber bridges

    Tarihi ahşap köprülerin hasar durumları ve sağlamlaştırma uygulamalarının tahribatsız yöntemler kullanılarak değerlendirilmesi

    SÜHEYLA YILMAZ

    Doktora

    İngilizce

    İngilizce

    2023

    ArkeometriOrta Doğu Teknik Üniversitesi

    Arkeometri Ana Bilim Dalı

    DOÇ. DR. AYŞE TAVUKÇUOĞLU

    PROF. DR. EMİNE N. CANER SALTIK

  3. Kağıt endüstrisi ağartma atıksuyundaki klorlu organiklerin aktif çamur sistemleri ile giderimi

    Aerobic treratment of chlorinated organics from bleaching effluent of the pulp and paper industry

    UFUK ALTINBAŞ

    Doktora

    Türkçe

    Türkçe

    1997

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL EROĞLU

  4. Acoustic anomaly detection in industrial plants

    Endüstriyel tesislerde akustik anomali tespiti

    TAHA BERKAY DUMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

  5. Aktivite bazlı kalite maliyetleme sistemi

    Activity based quality costs system

    BEYTULLAH ÖMER MUTLUGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    1996

    İşletmeİstanbul Üniversitesi

    YRD. DOÇ. DR. NECDET ÖZÇAKAR