Makine öğrenme ve derin öğrenme algoritmaları ile elektrokardiyogram sinyalindeki iskemik değişikliklerin tespiti
Investigation of ischemic changes in electrocardiogram signal using machine learning and deep learning algorithms
- Tez No: 879103
- Danışmanlar: PROF. DR. SEMİR ÖZDEMİR
- Tez Türü: Doktora
- Konular: Biyofizik, Kardiyoloji, Biophysics, Cardiology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyofizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 130
Özet
Amaç: İskemik kalp hastalığı (İKH) dünya genelinde mortalitenin ana sebeplerinden birisidir. İKH'nın sol dal bloğu (SDB) başta olmak üzere diğer kardiyak hastalıklar ile benzer elektrokardiyografik (EKG) bulguları olması ilk müdahale ve izlemi güçleştiren en önemli sorunlardan biridir. Dolayısıyla bu çalışma kapsamında yapay zeka yöntemlerini kullanarak EKG sinyalini analiz etmek suretiyle sağlıklı, İKH ve SDB olan bireyleri ayırt edebilen klinik tanıya yardımcı bir modelin geliştirilmesi amaçlanmıştır. Yöntem: Farklı veri setleri kullanılarak EKG sinyalinden sağlıklı, İKH ve SBD'ye ait özniteliklerin belirlenmesi için farklı özellik çıkarım yöntemleri uygulandı. Bu öznitelikler morfolojik, doğrusal olmayan, frekans tabanlı, ham EKG sinyali ve EKG ile elde edilen skalogram şeklinde gruplandı. Bunun ardından öznitelikler makine öğrenmesi ve derin öğrenme algoritmalarına girdi olarak sunularak bir yapay zeka modeli geliştirildi. Bulgular: Sonuçlar doğrusal olmayan ve frekans tabanlı özelliklerin morfolojik özelliklere kıyasla tanı koymada grupları daha iyi yansıttığını gösterdi. Bu öznitelikler ile eğitilen ve test edilen makine öğrenmesi algoritmaları arasında en yüksek başarı oranı destek vektör makineleri yöntemi ile elde edildi (%84). Derin öğrenme algoritmaları ham EKG sinyali ile oluşturan görsellerde tüm makine öğrenmesi algoritmalarına göre daha başarılı oldu. En yüksek başarı oranı V5, V6 prekordiyal derivasyonları ile eğitilen modelde elde edildi (%89). Bununla birlikte skalogramlar ile eğitilen derin öğrenme algoritmalarının genel olarak en yüksek başarı oranına ulaştığı gözlendi (%94). Sonuç: Çalışmada derin öğrenme algoritmaları ve EKG sinyalinden elde edilen skalogramlar ile sağlıklı, İKH ve SDB ayrımında oldukça yüksek bir başarı oranına ulaşan, dolayısıyla tanıya yardımcı olma potansiyeline sahip bir yapay zeka modeli geliştirildi.
Özet (Çeviri)
Objective: Ischemic heart disease (IHD) is one of the main causes of mortality worldwide. The similarity of electrocardiographic (ECG) findings in IHD and other cardiac diseases, particularly left bundle branch block (LBBB), poses limitations for first intervention and monitoring. Therefore, in this study, we aimed to develop a model that helps clinical diagnosis by analyzing the ECG signal using artificial intelligence (AI) techniques and distinguishing between healthy, IHD, and LBBB individuals. Method: In this study, various feature extraction methods were employed to identify healthy, IHD, and LBBB characteristics from the ECG signal by using different data sets. These features were categorized as morphological, non-linear, frequency-based, raw ECG signal, and ECG-derived scalogram. Subsequently, these features were utilized as input for machine learning and deep learning algorithms to develop an AI model for diagnosis. The performance of the developed model in diagnosis was assessed using various metrics. Results: The results indicate that nonlinear and frequency-based features are more effective in diagnosing groups compared to morphological features. The support vector machines method achieved the highest success rate among the machine learning algorithms tested with these features (84%). Deep learning algorithms outperformed all machine learning algorithms in images created with raw ECG signals. The model trained with V5–V6 precordial leads achieved the highest success rate (89%). However, deep learning algorithms trained with scalograms generally achieved the highest success rate (94%). Conclusion: In the study, an AI model was developed with deep learning algorithms and scalograms obtained from the ECG signal, which has the potential to assist in diagnosing healthy people, IHD, and LBBB with a very high success rate.
Benzer Tezler
- Machine learning algorhtims for heart rhythm classification
Makine öğrenme algoritmaları kalp ritminin sınıflandırılması
HUSSEIN ALI MOHAMMED MOHAMMED
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. GALİP CANSEVER
- Automated diagnostic tool for hypertension using deep learning model
Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı
TUĞBA YILMAZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ŞEN
- Makine öğrenmesi yaklaşımları kullanılarak EKG işaretlerinden aritmi teşhisi
Diagnosis of arrhythmia from ECG signs using machine learning approaches
ERSİN ERSOY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI
- Derin öğrenme algoritmaları kullanarak bir konuşma tanıma uygulaması
Speech recognition application using deep learning algorithms
HARUN KUTUCU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH FERİKOĞLU
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR