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: 112
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
- 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
- Otomatik aritmi dedeksiyonu
Başlık çevirisi yok
GÜNNUR ALANYALI
Yüksek Lisans
Türkçe
1993
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. MEHMET KORÜREK
- Automatic electrocardiogram (ECG) beat classification system using hybrid technique
Karma bir teknik kullanarak otomatik elektrokardiogram vuru sınıflandırma sistemi
SANİ SAMINU
Yüksek Lisans
İngilizce
2014
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NALAN ÖZKURT
- Yüklenici firmalar için alt yüklenici sözleşme yönetimi olgunluk modeli
Sub- contract management maturity model for contractor companies
NİMET ÖZDEN
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- Kırık cerrahisi sonrası enfeksiyöz komplikasyonların takibinde mevcut belirteçlere kıyasla presepsin'in kullanılabilirliği
Usefulness of presepsin in evaluation of infectious complications after fracture surgery compared to conventional markers
BAKİ AVŞAR UZUN
Tıpta Uzmanlık
Türkçe
2019
Ortopedi ve TravmatolojiSağlık Bilimleri ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. GÜVEN BULUT