Automated diagnostic tool for hypertension using deep learning model
Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı
- Tez No: 812729
- Danışmanlar: DOÇ. DR. BAHA ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hipertansiyon, sürekli kan basıncı yüksekliği ile kendini gösteren, sistemik bir hastalık olup, ciddi komplikasyonlara neden olması ve toplumda yaygın olarak görülmesi nedeniyle önemli bir sağlık problemidir. Tedavi edilmeyen hipertansiyonun, kalp yetersizliği, koroner kalp hastalığı, hemorajik ve trombotik inme, böbrek yetersizliği, periferik arter hastalığı, aort diseksiyonu ve ölüm oranını artırdığı ortaya konmuştur. Hipertansiyonun komplikasyonları ve buna bağlı ölüm oranı, kan basıncı yüksekliği ile doğru orantılı olarak artmaktadır. Hipertansiyonun belirlenmesinin ve tedavisinin amacı kalp, beyin, damar ve böbrek hastalıkları riskini ve eşlik eden morbidite ile ölüm oranını azaltmaktır. Bu nedenle, yüksek riskli bireyleri belirlemek için sürekli, doğru bir kan basıncı ölçüm sistemi gerekmektedir. Sağlık sektöründe genellikle yüksek tansiyon hastalığının teşhisi için hastaya konforsuz yapıda olan tansiyon holter cihazı takılmaktadır. Yapılan çalışmanın amacı sürekli ve noninvaziv damar yolunu tıkamayan kan basıncı tahminine yönelik algoritmalar sunmaktır. Literatürde kan basıncı tahminine yönelik makine öğrenmesi algoritmalarına dayalı birçok çalışma bulunmaktadır, ancak bu çalışma derin öğrenme algoritmalarına odaklanarak sistolik kan basıncı, diyastolik kan basıncı ve ortalama arteriyel basınç değerlerinin tahminini sağlamaktadır. Elektrokardiyografi (EKG) ve Fotopletismografi (PPG) sinyallerinden çıkarılan öznitelikler ile kan basıncı tahminlerinin gerçekleştirilmesi hedeflenmiştir. Öznitelik seti, Womersley numarası, SDI, QRS ve QTc aralığı gibi EKG tabanlı ve fotopletismograf yoğunluk oranı (PIR) gibi PPG tabanlı özelliklerden oluşmaktadır. Öznitelik seti, kan basıncı tahminindeki hatayı en aza indirmek ve bu özelliklerin kan basıncı ile ilişkisini araştırmak amacıyla kullanılır. Çıkarılan öznitelikler evrişimli sinir ağları ve uzun kısa süreli bellek gibi derin öğrenme algoritmaları ile eğitilmişlerdir. Ortalama mutlak hata (MAE), kök ortalama kare hatası (RMSE), ortalama kare hata (MSE) ve varyans gibi değerlendirme ölçümleri de hesaplanmıştır. Evrişimli sinir ağları ve uzun kısa süreli bellek algoritmalarını birlikte kullanarak elde ettiğimiz modelimizin kan basıncı tahmininde doğruluk oranının arttığı gözlemlenmiştir. Bu tezin sonunda, elektrokardiyografi ve fotopletismografi sinyallerinden kan basıncı tahmininin otomatik bir versiyonu uygulanarak hipertansiyonun en hızlı ve doğru şekilde teşhis edilmesine olanak sağlanmıştır. Önerdiğimiz noninvaziv kan basıncı tahmininde kullanılan yöntemler günümüz teknolojisinde oldukça popüler olan giyilebilir cihazlara entegre edilerek kardiyovasküler hastalıklarla mücadele etmek ve riskli etkilerini önlemek amacıyla da kullanılabilir.
Özet (Çeviri)
Hypertension is a systemic disease manifested by persistent high blood pressure, it is an important health problem because it causes serious complications and is common in the society. Untreated hypertension has been shown to increase the rate of heart failure, coronary heart disease, hemorrhagic and thrombotic stroke, renal failure, peripheral artery disease, aortic dissection, and mortality. Complications of hypertension and related mortality increase in direct proportion to high blood pressure. The purpose of the detection and treatment of hypertension is to reduce the risk of heart, brain, vascular and kidney diseases, and the associated mortality rate. Therefore, it requires a continuous, accurate blood pressure measurement system to identify high risk individuals. In the health sector, an uncomfortable blood pressure holter device is usually attached to the patient for the diagnosis of high blood pressure disease. The aim of the study is to present algorithms for blood pressure prediction that do not occlude continuous and non-invasive vascular access. There are many studies in the literature based on machine learning algorithms for blood pressure prediction, but this study has provided estimation of systolic blood pressure (SBP), diastolic blood pressure (DBP) and mean arterial pressure (MAP) values by focusing on deep learning algorithms. It was aimed to make blood pressure estimates with the features extracted from Electrocardiography (ECG) and Photoplethysmography (PPG) signals. The feature set consists of ECG-based features such as Womersley number, SDI, QRS and QTc interval, and PPG-based features such as photoplethysmograph intensity ratio (PIR). The feature set is used to minimize the error in blood pressure estimation and to explore the relationship of these features with blood pressure. The extracted features were trained with deep learning algorithms such as convolutional neural networks and long short-term memory. Evaluation measures such as mean absolute error (MAE), root mean square error (RMSE), mean square error (MSE) and variance score were also calculated. In the blood pressure estimation of our model, which we obtained by using convolutional neural networks and long-short-term memory algorithms together, it was concluded that the accuracy rate increased. At the end of this thesis, an automated version of blood pressure estimation from electrocardiography and photoplethysmography signals has been implemented, allowing the fastest and most accurate diagnosis of hypertension. The methods used in the noninvasive blood pressure estimation we proposed, by integrating into wearable devices that are very popular in today's technology it can also be used to combat cardiovascular diseases and prevent their risky effects.
Benzer Tezler
- Acil serviste düşük olasılıklı akut koroner sendrom tanısı alan hastalarda kardiyogonyometrinin tanısal değerinin araştırılması
İnvestigating the diagnostic value of cardiogoniometry i̇n identifying patients with low-probability acute coronary syndrome i̇n the emergency department
ATİYE ÖZTÜRK
Tıpta Uzmanlık
Türkçe
2018
İlk ve Acil YardımEge ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. GÜÇLÜ SELAHATTİN KIYAN
- Hydips: A Hybrid neural network based diagnostic tool for perinatal surveillance
Perinatal takipte bir hibrit nöron ağına dayanan tanı aracı
NAZİFE BAYKAL
Doktora
İngilizce
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEŞE YALABIK
- Development of non-invasive diagnostic system using infrared thermal imaging for deep vein thrombosis and raynaud's phenomenon
Derin ven trombozu ve raynaud fenomeni için kızılötesi termal görüntüleme kullanarak invaziv olmayan tanı sisteminin geliştirilmesi
SEYDİ KAÇMAZ
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Perkütan torakal biyopsi işlemlerinde güvenli trakt planlayıcısı: Toraks BT görüntülerinde risk analizine dayalı biyopsi planlama yazılımı geliştirilmesi
A safe tract planning tool for percutaneous thoracic biopsy: Development of a risk-based biopsy planning software using chest CT images
SANER ESMER
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpÇanakkale Onsekiz Mart ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUSTAFA REŞORLU
- A novel energy-efficient attention-based transformer model for medical images
Tıbbi görüntüler için enerji verimli yeni bir dikkat tabanlı transformer modeli
NADA A. M. MISK
Doktora
İngilizce
2026
Bilim ve Teknolojiİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. MURAT GEZER