Modelling and control of cardiovascular systems diagnostics and prediction of their anomalies
Kardiyovasküler sistemlerin modellenmesi ve kontrolü ile anomalilerin teşhis ve tahmini
- Tez No: 813302
- Danışmanlar: DOÇ. DR. AYDIN YEŞİLDİREK, DOÇ. DR. ABDURRAHMAN KAMURAN KADIPAŞAOĞLU
- Tez Türü: Doktora
- Konular: Biyomühendislik, Kardiyoloji, Mekatronik Mühendisliği, Bioengineering, Cardiology, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 154
Özet
Bu tez, kardiyovasküler araştırma alanında bir dizi yenilikçi yöntem sunmaktadır. İlk yöntem, sağlıklı, aort stenozu ve regürjitasyon gibi fizyolojik desenleri doğru bir şekilde temsil eden yeni bir kalp kapak modelinin geliştirilmesini içermektedir. Model, elastik yaprakcık hareketini temsil eden doğrusal olmayan kütle-yaysönümleyici bir modele, kardiyovasküler bir toplam parametre modeli ile birleştirerek, akış direnci, debi, basınçlar ve yaprakcık pozisyonunu dikkate almaktadır. Model, geri akış, girdap oluşumu, dikrotik girinti ve ters basınç etkileri gibi fenomenleri başarıyla göstermektedir. İkinci yöntem, kritik kardiyovasküler hastalıkları simüle etmek için bir hibrit taklit dolaşım döngüsü (hTDD) tasarımı ve kontrol yaklaşımını tanıtmaktadır. hTDD, oto-regülasyonu ve ventrikül kontraktilesini birleştiren yeni bir sol ventrikül hacim-elastans denklemi içermektedir. Kapalı döngü hTDD'nin kararlılığı gösterilmiş ve aort stenozu, vasküler direnç değişiklikleri ve kalp hızı varyasyonları gibi senaryolara fizyolojik yanıtlar başarıyla kopyalanmıştır. Üçüncü yöntem, dinamik aort kapağı direncini (AKD) daha iyi bir şekilde modellemek için bir evrişimli sinir ağı (ESA) kullanmaktadır. Model,“bilgisayar modellemeli”ve“yapay ortamdaki”ölçümleri birleştirir ve ESA, eksenleme fazında AKD artığı tahmin etmek üzere eğitilir. Önerilen model, dinamik AKD'yi dikkate alarak önceki yöntemlerden daha iyi performans göstermekte ve gerçek zamanlı tahminde yüksek doğruluk elde etmektedir. Son olarak, dördüncü yöntem, kardiyovasküler parametreleri tahmin etmek ve kardiyovasküler durumları teşhis etmek için“ yapay ortamdaki”ve“ bilgisayar modellemeli”ölçümleri birleştiren bir çerçeve sunmaktadır. Çerçeve, kısmen yönlendirilmiş bir gizli uzaya sahip modifiye edilmiş bir otokodlayıcıyı içermekte ve fizyolojik bilinçli nöronların entegrasyonuna imkan tanımaktadır. Modeller, kritik parametrelerin doğru tahminini göstermekte ve kardiyovasküler hastalıkların ciddiyetini sınıflandırma yeteneğini sergilemektedir. Genel olarak, bu yöntemler kardiyovasküler dinamiğin anlaşılmasını ilerletmekte ve kardiyovasküler araştırmalarda daha doğru simülasyonlar, tahminler ve teşhisler yapılmasını sağlamaktadır.
Özet (Çeviri)
This thesis presents four innovative methods in the field of cardiovascular research. The first method involves the development of a novel heart valve model that accurately represents physiological patterns such as healthy, aortic stenosis, and regurgitation. The model combines a nonlinear mass-spring-damper representation of the elastic leaflet body's motion with a cardiovascular lumped parameter model, taking into account fluid resistance, flow rate, pressures, and leaflet position. The model successfully demonstrates phenomena such as backflow, vortex formation, dicrotic notch, and reverse pressure effects. The second method introduces a hybrid mock circulatory loop (hMCL) design and control approach for simulating critical cardiovascular diseases. The hMCL incorporates a new left ventricle volumeelastance equation that combines autoregulation and ventricular contractility. The stability of the closed-loop hMCL is demonstrated, and physiological responses to scenarios like aortic stenosis, changes in vascular resistance, and heart rate variations are accurately replicated. The third method presents an improved model for dynamic aortic valve resistance (AVR) using a convolutional neural network (CNN). The model combines“in-silico”and“in-vitro”measurements, and the CNN is trained to predict AVR residue during the ejection phase. The proposed model outperforms previous methods by considering dynamic AVR and achieves high accuracy in real-time estimation. Finally, the fourth method introduces a framework that integrates“in vitro”and“in silico”measurements to estimate cardiovascular parameters and diagnose cardiovascular conditions. The framework incorporates a modified autoencoder with a partially guided latent space, enabling physiological consciousness integration. The models show accurate estimation of critical parameters and demonstrate the ability to classify the severity of cardiovascular diseases. Overall, these methods advance the understanding of cardiovascular dynamics and enable more accurate simulations, predictions, and diagnostics in cardiovascular research.
Benzer Tezler
- Integrative machine learning approaches for enhanced cardiovascular disease prediction: A comparative analysis of XGBoost and ANFIS algorithms
Kardiyovasküler hastalık tahmininin geliştirilmesi için entegratif makine öğrenmesi yaklaşımları: XGBoost ve ANFIS algoritmalarının karşılaştırmalı analizi
DIYAR FADHIL MUHYI MUHYI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA
- Heart disease prediction project
Kalp hastalıklarını önleme projesi
RUBA AYAD YOUSIF AL-SAMMARRAIE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Automated diagnostic tool for hypertension using deep learning model
Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı
TUĞBA YILMAZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ŞEN
- Melez öğrenme ile kalp ve damar hastalığının tahmini
Predicting cardiovascular disease with hybrid learning
CANSU TOKYÜZ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Erken ventriküler kasılmalarda ysa tabanlı bir sınıflandırıcının FPGA ile gerçekleştirilmesi
An FPGA implementation of ann-based premature ventricular contraction classifier
AHMET TURAN ÖZDEMİR
Doktora
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN DANIŞMAN