EKG sinyallerinden elde edilen görüntülerin hibrit derin öğrenme yöntemleri kullanılarak sınıflandırılması
Classification of images obtained from ECG signals using hybrid deep learning methods
- Tez No: 832121
- Danışmanlar: DOÇ. DR. SÜLEYMAN UZUN, DR. ÖĞR. ÜYESİ ALİ OSMAN SELVİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: EKG, Derin Öğrenme, Özellik Düzeyinde Birleştirme, Evrişimli Sinir Ağı, Uzun Kısa Süreli Bellek, ECG, Deep Learning, Feature Level Fusion, Convolutional Neural Network, Long Short Term Memory
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Anabilim Dalı
- Sayfa Sayısı: 81
Özet
Kardiyovasküler hastalıkların en aza indirilmesi için erken teşhis ve tedavi oldukça önemlidir. Kardiyovasküler hastalıkların teşhisinde elektrokardiyogram (EKG) sıklıkla kullanılan tekniktir. EKG işaretlerinin yorumlanması hastalık teşhisinde önemli bir noktadadır. Elektrokardiyogram (EKG) işaretlerinin, geleneksel işaret işleme yöntemleri ile normal ve anormal sınıflandırılması yapılmaktadır. Çalışmaların büyük bir çoğunluğu işaret işleme teknikleri kullanılarak gerçekleştirilmektedir. Bu çalışmada geleneksel yöntemden farklı olarak MIT-BIH aritmi veri setinden alınan elektrokardiyogram işaretleri iki boyutlu görüntülere dönüştürülmüştür. Yüksek sınıflandırma doğruluğunu elde etmeye yönelik oluşturulan iki boyutlu görüntülere Gaussian filtre uygulanmıştır. EKG işaretlerinin iki boyutlu görüntülere dönüştürülmesinde otomatik bölütleme algoritması kullanılmıştır. Dönüştürme işlemi ile veriler normal ve anormal sınıfta kaydedilerek veri seti oluşturulmuştur. İki boyutlu görüntüler ile oluşturulan veri seti ön eğitilmiş evrişimli sinir ağları ile sınıflandırılmıştır. Sınıflandırma işleminde ön eğitilmiş ağ olarak VGG19, ResNet50 ve AlexNet ağ modelleri kullanılmıştır. Ön eğitilmiş evrişimli sinir ağları girişine Gaussian filtre uygulanmış veri seti ve filtre uygulanmamış ham veri seti ayrı ayrı uygulanmıştır. Sınıflandırma başarımının arttırılmasına yönelik ön eğitilmiş ağlardan elde edilen özellikler özellik düzeyinde birleştirme tekniği kullanılarak birleştirilmiştir. Özellik düzeyinde birleştirme işleminin sınıflandırma doğruluğuna katkısını incelemeye yönelik ResNet50-AlexNet, ResNet50-VGG19, VGG19-AlexNet ve VGG19-AlexNet-ResNet50 ağ birleşimlerinden elde edilen özellikler uzun kısa süreli bellek ağı ile sınıflandırılmıştır. Filtre uygulanmış ve filtre uygulanmamış iki boyutlu görüntülerin ön eğitilmiş ağlardaki sınıflandırma sonuçları incelendiğinde, en yüksek doğruluk başarımının %99.4 ile filtre uygulanan görüntülerin kullanılarak AlexNet mimarisi ile elde edildiği görülmüştür. Gaussian filtre uygulanmış ve ham görüntülerin ön eğitilmiş ağlar ile sınıflandırılma çalışmalarının sonuçları değerlendirildiğinde, iki boyutlu görüntülere Gaussian filtre uygulamanın olumlu katkı sağladığı değerlendirilmiştir. Özellik düzeyinde birleştirme yöntemi ile elde edilen veri setlerinin uzun kısa süreli bellek ağı ile sınıflandırma sonuçları incelendiğinde en yüksek doğruluğun %99.9 ile VGG19-AlexNet-ResNet50 ağ birleşiminden elde edildiği görülmüştür. Tüm sınıflandırma sonuçları değerlendirildiğinde özellik birleştirme yöntemi ile veri setlerinin uzun kısa süreli bellek ağı ile sınıflandırılmasının doğruluk başarımına katkısı, Gaussian filtre uygulanarak yapılan sınıflandırmaların doğruluk başarımına katkısından daha yüksek olduğu değerlendirilmiştir.
Özet (Çeviri)
To reduce cardiovascular illnesses, early detection and treatment are crucial. The method usually used to diagnose cardiovascular problems is the electrocardiogram (ECG). An essential component of illness diagnosis is the interpretation of ECG data. Using conventional signal processing techniques, electrocardiogram (ECG) signals are categorized as normal and pathological. Signal processing techniques are used in the vast majority of investigations. In contrast to the conventional approach, ECG signals from the MIT-BIH arrhythmia data collection were transformed into two-dimensional pictures for this investigation. To achieve high classification accuracy, a Gaussian filter was applied to the produced two-dimensional images. ECG signals were transformed into two-dimensional pictures using an artificial segmentation system. The data were converted, recorded in normal and abnormal groups, and a data set was produced. Convolutional neural networks that have already been trained were used to categorize the two-dimensional image data set. Pre-trained networks for the categorization process included the VGG19, ResNet50, and AlexNet network models. Separate applications of the raw unfiltered data set and the Gaussian-filtered data set were made to the input of the pre-trained convolutional neural networks. By combining features obtained from pre-trained networks, the feature-level fusion technique was used to improve classification performance. The features derived from the ResNet50-AlexNet, ResNet50-VGG19, VGG19-AlexNet, and VGG19-AlexNet-ResNet50 network combinations were classed with the long-short-term memory network to investigate the role of feature-level fusion to classification accuracy. The maximum accuracy performance of 99.4% was attained with the AlexNet architecture employing filtered images when the classification results of filtered and unfiltered two-dimensional images in pre-trained networks were compared. Applying the Gaussian filter to two-dimensional images was found to be beneficial when the classification studies of raw and filtered images using pre-trained networks were analyzed. When the classification outcomes of the data sets produced using the feature-level combination approach were investigated using the long-short-term memory network, it was discovered that the VGG19-AlexNet-ResNet50 network combination had the greatest accuracy of 99.9%. When all classification results were evaluated, it was determined that the contribution to accuracy performance of the classifications made by using the Gaussian filter was lower than the contribution to accuracy performance of the classifications made using the long-short-term memory network using the feature fusion method.
Benzer Tezler
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- EKG görüntülerini kullanarak farklı transfer öğrenme modelleri ile aritmi tespiti
Arrhythmia detection with different transfer learning models using ECG
ÖMER YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR ŞEKER
- Sinyal işleme teknikleri kullanılarak EKG sinyallerini analiz edebilecek bir yazılım platformu ve buna uygun bir kullanıcı arayüzü geliştirilmesi
Development of a software platform together with a user interface to analyze EKG signals using signal processing techniques
HÜSEYİN YANIK
Yüksek Lisans
Türkçe
2015
BiyofizikMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. EVREN DEĞİRMENCİ
- EKG sinyallerinden konjestif kalp yetmezliği ve aritmi teşhisi için yeni bir yaklaşım: İ-1B-YİÖ+LSTM
A new approach for the diagnosis of congestive heart failure and arrhythmia based on ECG signals: İ-1B-YİÖ+LSTM
SÜLEYMAN AKDAĞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA KUNCAN
DOÇ. DR. YILMAZ KAYA
- EKG parametrelerinin uyku evreleri ve OSAS ile ilişkisinin incelenmesi
Analyzing the relationship of ECG parameters with the sleep stages and OSAS
ŞULE YÜCELBAŞ
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY TEZEL