Geri Dön

Fotopletismografi sinyal ile manşetsiz giyilebilir kan basıncı tahmin sistemi

Cuff-less wearable blood pressure estimation system with photoplethysmography signal

  1. Tez No: 815046
  2. Yazar: HÜSEYİN MURAT KOPARIR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZKAN ARSLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Tekirdağ Namık Kemal Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 128

Özet

Kan basıncındaki anormalliklerin erken tespiti, kronik kalp yetmezliği, kalp krizi ve felç gibi hastalık risklerini önemli ölçüde azaltmaya yardımcı olmaktadır. Mevcut klinik uygulamalarda, kan basıncı (KB) ölçümü tekniklerinin çoğu manşet tabanlı, invaziv, ya da birden fazla sensör içeren sistemlerden oluşmaktadır. Bu teknikler, hastalar için rahatsız edici olması ve sık kalibrasyon gerektirmesi nedeniyle pratik değildir. Bu çalışmada, sadece fotopletismografi (PPG) sinyal verileri ile KB'nin sürekli, manşetsiz, invaziv olmayan ve kalibrasyon gerektirmeyen tahmini amaçlanmıştır. PPG ve Aortik KB sinyalleri PhysioNet tarafından sağlanan ve erişime açık MIMIC-II veri setinden elde edilmiştir. Önceden eğitilmiş ResNet50, VGG16, DenseNet121, MobileNetV2 ve Xception modelleri kullanılarak PPG sinyallerinden ve türevlerinden derin öznitelikler çıkartıldı. Tüm derin özniteliklere özyinelemeli öznitelik eleme algoritması uygulandı ve azaltılmış seçili öznitelik seti elde edildi. Seçili derin öznitelikler klasik makine öğrenimi ve derin öğrenme algoritmaları ile kullanıldı ve KB tahmin modelleri elde edildi. Modellerin değerlendirilmesinde, istatistiksel metrikler ve görsel analitik araçlar kullanıldı. Ayrıca AAMI ve BHS protokolleri kullanılarak KB tahmin modelleri derecelendirilmiştir. Sonuçlar, DenseNet121 modeli ile elde edilen derin özniteliklerin diğer modellere göre daha yüksek bir performansa sahip olduğunu göstermiştir. Ayrıca, derin öğrenme algoritmalarının klasik makine öğrenimi yöntemlerine göre daha etkili bir performans ortaya koydukları sonucuna varılmıştır. Önerilen KB tahmin modellerinin MAE±STD hata değerleri SKB, DKB ve OKB için sırasıyla 5,63±8,83, 2,82±5,60, 4,39±5,95 olarak hesaplanmıştır. Sonuçlar, KB tahmin modellerinin BHS protokolüne göre A seviye olduğunu ve AAMI kriterini karşıladığını göstermektedir.

Özet (Çeviri)

Early detection of abnormalities in blood pressure (BP) helps to significantly reduce the risk of diseases such as chronic heart failure, heart attack and stroke. In current clinical practice, most of the BP measurement techniques consist of cuff-based, invasive, or multi-sensor systems. These techniques are impractical as they are inconvenient for patients and require frequent calibration. In this study, continuous, cuff-free, non-invasive and calibration-free estimation of BP with only photoplethysmogram (PPG) signal was aimed. PPG and Aortic BP signals were obtained from the available to access MIMIC-II dataset provided by PhysioNet. Deep features were extracted from the PPG signal and its derivatives using pre-trained ResNet50, VGG16, DenseNet121, MobileNetV2 and Xception models. Recursive feature elimination algorithm was applied to all deep features and reduced selected feature set was obtained. Selected deep features were used with classical machine learning and deep learning algorithms and BP prediction models were obtained. Statistical metrics and visual analytical tools were used to evaluate the models. In addition, BP prediction models were graded using the AAMI and BHS protocols. The results show that the deep features obtained with the DenseNet121 model have a higher performance than the other models. In addition, it was concluded that deep learning algorithms performed more effectively than classical machine learning methods. The MAE±SD error values of the proposed BP prediction models were calculated as 5.63±8.83, 2.82±5.60, 4.39±5.95 for SBP, DBP and MBP, respectively. The results show that the BP prediction models are level-A according to the BHS protocol and meet the AAMI criterion.

Benzer Tezler

  1. LED'li sensör ve PPG sinyali kullanılarak, parmak yüzeyinden kan basıncını ve nabzı tahmin edebilen yazılımın geliştirilmesi

    Development of software that can predict blood pressure and pulse from finger surface using LED sensor and PPG signal

    GÖKÇEM DAŞDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyomühendislikKütahya Dumlupınar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALPASLAN DUYSAK

  2. 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

  3. Mobil cihaz sensörlerinden gelen PPG sinyallerini kullanarak kandaki glikoz seviyesinin ve böbrek yetmezliğinin makine öğrenmesi ile tahmini

    Prediction of blood glucose level and kidney failure using PGG signals from mobile device sensors via machine learning

    TAHA ELHARİRİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET REŞİT KAVSAOĞLU

    DOÇ. DR. EFTAL ŞEHİRLİ

  4. Remote heart rate estimation using non-contact photoplethysmography

    Temassız fotopletismografi ile kalp atım hızı kestirimi

    HALİL DEMİREZEN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÇİĞDEM EROĞLU ERDEM

  5. Fotopletismografi sinyalleri kullanılarak kalp hızı ve kan basıncı tespiti

    Detection of heart rate and blood pressure using photoplethysmography signals

    FATMA SEVDE KÖKLÜKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MAHMUT ÖZTÜRK