Tracking and observing the fetal movements by using deep learning methods
Derin öğrenme yöntemlerini kullanarak fetal hareketleri izleme ve gözlemleme
- Tez No: 860665
- Danışmanlar: PROF. DR. FIRAT HARDALAÇ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin temel amacı, makine öğrenimi yardımıyla fetal hareketin (dolayısıyla fetal durumun) gözlemlenmesi ve izlenmesi için çözümler sunmaktır. Bu tez Kardiyotokografi (CTG) ve Fetal Elektrokardiyogram (FECG) veri setlerini kullanır. Tez, Bölüm A ve Bölüm B'nin CTG kullandığı, Bölüm C'nin ise FECG kullandığı üç duruma sahiptir. CTG veri seti, doğum eylemi veya üçüncü trimester sırasında fetüsün durumunu değerlendirmek için kullanılan Fetal kalp hızı (FHR) ve uterus kasılmaları (UC) ile ilgili verileri içerir. Fetal durumları ve CTG morfolojik modellerini kategorize etmek için, Bölüm A, CTG veri seti dengesizliğini düzelten ve özellik çıkarımı için bir otomatik kodlayıcı, özellik seçimi için özyinelemeli özellik eleme ve modelde daha fazla ince ayar yapmak için Bayes optimizasyonu içeren bir derin öğrenme modeli önerir. Önerilen model, fetal durumu %96,62 doğrulukla ve CTG morfolojik modelini %94,96 doğrulukla sınıflandırmıştır. Bölüm B'de, CTG veri kümesi için ilgili tüm sınıflandırıcıların bir araştırması, fetal durumu sınıflandırmak için özellik eleme ve hiperparametre optimizasyonunu kullanan önerilen model için Random Forest'ın seçilmesiyle sonuçlandı. Önerilen model, %97,20'lik bir doğruluk göstermiştir. Bölüm C'de, FECG sinyallerini tahmin etmek ve ardından ondaki anormallikleri de tespit etmek için Uzun Kısa Süreli Bellek (LSTM) sinir ağı kullanıldı. Çalışma, LSTM tabanlı modelin FECG sinyallerini tahmin etmede ve anormallikleri tespit etmede oldukça doğru olduğunu gösteriyor. Önerilen model, FECG analizinin doğruluğunu artırabilir, fetal rahatsızlık insidansını ve doğum öncesi ölüm oranlarını azaltabilir.
Özet (Çeviri)
The main objective of this thesis is to provide solutions to observe and track the fetal movement (hence fetal condition) with the help of machine learning. This thesis uses Cardiotocography (CTG) and Fetal Electrocardiogram (FECG) datasets. The thesis has three phases such that Phase A and Phase B utilize CTG whereas Phase C utilizes FECG. The CTG dataset contains data related to Fetal heart rate (FHR) and uterine contractions (UC), which are used to evaluate the condition of the fetus during labor or the third trimester. In order to categorize fetal conditions and CTG morphological patterns, Phase A proposes a deep learning model that corrects the CTG dataset imbalance and incorporates an autoencoder for feature extraction, recursive feature elimination for feature selection, and Bayesian optimization to further fine tune the model. The proposed model classified fetal condition with 96.62% accuracy and CTG morphological pattern with 94.96% accuracy. In Phase B a survey of all the relevant classifiers for CTG dataset resulted in Random Forest being selected for the proposed model, that utilizes feature elimination and hyperparameter optimization for classifying the fetal condition. The proposed model displayed an accuracy of 97.20%. In Phase C Long Short-Term Memory (LSTM) neural network was used to predict FECG signals and then detect the anomalies in it as well. The study shows that LSTM-based model is highly accurate in predicting FECG signals and spotting abnormalities. The proposed model could improve the accuracy of FECG analysis, reducing the incidence of fetal discomfort and prenatal death rates.
Benzer Tezler
- Mobil fetal kalp hızı monitorizasyon sistemi (FKHMS)
Mobile fetal heart rate monirorization system
HAKAN KANMAZ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. METİN ZONTUL
- GPS+GSM+GPRS teknolojileri ile gerçek zamanlı takip sistemi üzerinde geofence mekanizmasının tasarlanması ve GPS konum verilerindeki hata oranının düşürülmesi
Design of geofence mechanism on real time tracking system with GPS+GSM+GPRS techonology and reducing the error rate in GPS location data
ZEYNEP ÖZDEMİR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BÜLENT TUĞRUL
- Göz izleme verileri ile güvenlik sistemi izleyici personelinin görsel tarama davranışı analizi
Analyzing the visual scanning behaviour of the security system human operators with eye tracking data
ONUR İNCE
Yüksek Lisans
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET GÖKTÜRK
- A system implementation for analyzing and tracking motile objects in biomedical images
Biyomedikal görüntülerde hareketli nesnelerin analizi ve takibi için bir sistem gerçeklemesi
HAMZA OSMAN İLHAN
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN
- Light higgsinos at the ILC: Precision measurements and detector requirements
Başlık çevirisi yok
HALE SERT
Doktora
İngilizce
2015
Fizik ve Fizik MühendisliğiUnıversıtat HamburgFizik Ana Bilim Dalı
DR. JENNY LIST
PROF. DR. GUDRID MOORTGAT-PICK