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: 129
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
- IEEE 1149.1 standardı kullanarak test edilebilir lojik devre tasarımı
Testable lojik circit design by using IEEE 1149.1 standard
A.BETÜL TUNCER
Yüksek Lisans
Türkçe
1992
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. AHMET DERVİŞOĞLU
- Cost estimation for building construction projects using anartificial neural network (ANN)
Başlık çevirisi yok
NOORALHUDA ALABDALI
Yüksek Lisans
İngilizce
2022
İnşaat MühendisliğiAltınbaş Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEYED MOHSEN SEYEDI VIAND
- Performance optimization of monopulse tracking radar
Tek-darbe hedef izleme radarının performans açısından en-iyilenmesi
MEHMET ALPER ŞAHİN
Yüksek Lisans
İngilizce
2004
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KEMAL LEBLEBİCİOĞLU
- Fuzzy and sliding mode control of a pH neutralization system
pH nötralizasyon sisteminde bulanık mantık ve kayan durum denetimi
ÜSTER AKBAY
Yüksek Lisans
İngilizce
2002
Kimya MühendisliğiOrta Doğu Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. CANAN ÖZGEN
PROF. DR. MEHMET KEMAL LEBLEBİCİOĞLU