Machine learning-based detection of abnormal ventricular contractions of the heart from ECG signals
Kalbin anormal ventriküler kasılmalarının EKG sinyallerinden makine öğrenimi tabanlı tespiti
- Tez No: 864680
- Danışmanlar: DOÇ. DR. GÖKHAN ERTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Kardiyovasküler hastalıklar, küresel ölümün önde gelen nedenlerinden biridir ve gelişmiş tanı araçlarına acil bir ihtiyacı vurgular. Kalp ventriküler kasılmalarının anormal erken tespiti konusunda artan bir ilgi bulunmaktadır. Makine öğrenimi teknikleri, elektrokardiyogram (EKG) sinyallerinin insan kalbinin normal ritimlerini ve anormal ventriküler kasılmalarını ayırt etmek için otomatik analizlerde sağlam derin öğrenme modellerinin geliştirilmesine yardımcı olabilir. Bu tez çalışmasında, biri çift yönlü uzun kısa vadeli belleğe (BiLSTM) dayalı diğeri konvolüsyonel sinir ağlarına dayalı iki farklı derin sinir ağı geliştirilmiştir. Modeller, eğitim veri seti yüzde oranları olan 60%, 70% ve 80% için RMSProp ve ADAM optimizer'ları kullanılarak eğitilmiştir. Veri seti, BIDMC Kalp Yetmezliği Veritabanı'ndan çıkarılmıştır. Bu veri seti, şiddetli kalp yetmezliği olan 15 katılımcının uzun vadeli elektrokardiyogram (EKG) kayıtlarını içermekte olup, toplamda 90588 EKG sırasını temsil etmektedir. Her biri bir kalp atışını temsil eden bu veri seti, iki kategoriden birine etiketlenmiş olarak eklenmiştir: normal ritim veya prematür ventriküler kasılma. Hem BiLSTM hem de CNN tabanlı derin sinir ağları yüksek performanslar sunmaktadır. Ancak, en iyi performans, BiLSTM tabanlı derin sinir ağı, en yüksek doğrulukla (Se= 89.6%-99.4%, Sp= 86.2%-93.9%, Ac= 86.2%-94.0% ve AUC= 0.947-0.983) tespitler sunmaktadır. EKG sinyallerinde kalbin normal kasılmalarını ve prematür ventriküler kasılmalarını ayırt etmede, hem BiLSTM hem de CNN tabanlı derin sinir ağları yüksek performanslar sergilemektedir. Ancak, BiLSTM tabanlı ağ, tam hassasiyet, çok yüksek özgüllük ve çok yüksek doğrulukla üstün tespit performansıyla öne çıkmaktadır. Bu umut verici sonuçlar, ağın gerçek dünya ortamlarında pratik uygulamalarına yol açar ve kardiyak anormallik tespitinin doğruluğunu ve verimliliğini artırma potansiyeline sahiptir. Bu yöndeki devam eden araştırmalar, kardiyovasküler sağlık izleme ve tanıda iyileşme vaat etmektedir.
Özet (Çeviri)
Cardiovascular diseases are a leading cause of global mortality, underscoring the urgent need for advanced diagnostic tools. There has been an increasing interest in early detection of abnormal ventricular contractions of the heart. Machine learning techniques may facilitate the development of robust deep learning models for automated analyses of the electrocardiogram (ECG) signals to distinguish normal rhythms and abnormal ventricular contractions of the human heart. In this thesis work, two different deep neural networks, one based on bidirectional long short-term memory (BiLSTM) and the other based on convolutional neural network (CNN), are developed for the purpose. The models are trained using RMSProp and ADAM optimizers for the training dataset percentages of 60%, 70%, and 80%. The dataset is extracted from the BIDMC Congestive Heart Failure Database, includes long-term ECG recordings from 15 subjects with severe congestive heart failure, and includes a total of 90588 ECG sequence data representing a single heartbeat supplemented with labeling with one of two categories: normal rhythm or premature ventricular contraction. Both BiLSTM and CNN-based deep neural networks offer high performances. However, the best performance is offered by the BiLSTM-based deep neural network with ADAM optimizer. It provides detections with the highest correctness (Se= 89.6%-99.4%, Sp= 86.2%-93.9%, Ac= 86.2%-94.0%, and AUC= 0.947-0.983). In discriminating premature ventricular contractions from normal contractions of the heart from ECG signals, both BiLSTM and CNN-based deep neural networks offer high performances. However, the BiLSTM-based network stands out with its superior detection performance with complete sensitivity, very high specificity, and very high accuracy. The promising results pave the way for the practical application of the network in real-world settings, with the potential to enhance the accuracy and efficiency of cardiac anomaly detection. Continued research in this direction holds promise for improving cardiovascular health monitoring and diagnosis.
Benzer Tezler
- Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması
Classification of arrhythmias based on artificial intelligence from electrocardiography signals
BÜŞRA ÜNLÜ
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Veri merkezleri için makine öğrenmesi temelli izleme sistemi tasarımı
Machine learning based monitoring system design for data centers
METEHAN HAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH SEVİN
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- MFCC destekli makina öğrenmesi algoritmaları ile fokal/non-fokal EEG kayıtlarının sınıflandırılması
Focal/non-focal EEG records classification with MFCC based machine learning algorithms
DELAL ŞEKER
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM