Geri Dön

Yatan bireylerin vücut kitle indeksi sınıflandırması için makine öğrenmesi tabanlı telemetri enstrümantasyon sistemi tasarımı

Designing a telemetry instrumentation system using machine learning for classifying the body mass index of individuals in a lying position

  1. Tez No: 886314
  2. Yazar: ŞULE ZEYNEP AYDIN
  3. Danışmanlar: PROF. DR. BURCU ERKMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 63

Özet

Vücut Kitle İndeksi (VKİ), bir kişinin kilo ve boyuna göre vücut yağ oranını tahmin etmeye yardımcı olan bir ölçüttür. VKİ, genellikle zayıf, normal kilolu, fazla kilolu ve obez olmak üzere 4 sınıfa ayrılır. VKİ ile çeşitli sağlık sorunları arasında bir ilişki vardır. Bu da VKİ'nin hastalık risklerinin değerlendirilmesi açısından önemli bir araç olduğunu göstermektedir. Ayrıca VKİ, hastalıkların erken tespiti, bireylerin sağlık durumlarının değerlendirilmesi ve tedavi sürecinin desteklenmesi alanlarında yardım sağlar. Önemli bir değerlendirme ölçütü olan VKİ için kilo ve boy ölçümü yatan hastalarda, yaşlılarda, bebeklerde ve acil müdahale gerektiren hastalarda yapmak zordur. Günümüzde sensörlü sistemler ve yapay zeka sağlıkta teşhis ve tedaviyi geliştirmek için yaygın olarak kullanılır. Sağlıkta birçok alanda karşımıza çıkan telemetri sistemleri sağlık hizmetlerinin kalitesini ve verimliliğini artırır. Bu tez çalışmasında, yatan bireylerin VKİ sınıflandırması için farklı makine öğrenmesi modelleri ile telemetri enstrümantasyon sistemi tasarlanması hedeflenmiştir. VKİ sınıflandırması için 44 bireyden basınç sensör ve kamera verileri toplanarak veri seti oluşturulmuştur. Her bireyden 4 farklı pozisyon için toplam 176 görüntü ve sensör verisi toplanmıştır. Sensör verileri Microsoft Excel aracılığıyla görselleştirilerek basınç haritası elde edilmiştir. Makine öğrenmesi modellerinin daha iyi sonuç vermesi amacıyla görüntü verileri ön işleme, veri artırma ve segmentasyon işlemlerinden geçerek özellik çıkarımı yapılmıştır. Segmentasyon işleminde YOLOV8 mimarisi kullanılmıştır. Özellik çıkarımı yapılan bu görüntü verileri ile sensör verileri birleştirilerek Destek Vektör Makinesi, Rastgele Orman ve XGBoost makine öğrenmesi modellerinde normal ve fazla kilolu olmak üzere ikili sınıflandırılması yapılmıştır. Sınıflandırma doğruluk değerleri sırasıyla Destek Vektör Makinesi %83, Rastgele Orman %87 ve XGBoost %90'dır. Bu modeller performans açısından karşılaştırıldığında XGBoost modeli %90 doğruluk değeri ile normal ve fazla kilolu olmak üzere en iyi sınıflandırma performansını göstermiştir.

Özet (Çeviri)

Body Mass Index (BMI) is a measure that helps estimate a person's body fat percentage based on their weight and height. BMI is usually divided into 4 classes: underweight, normal weight, overweight and obese. There is an association between BMI and various health problems. This suggests that BMI is an important tool for assessing disease risks. In addition, BMI provides assistance in the early detection of diseases, assessment of individuals' health status and support of the treatment process. Weight and height measurement for BMI, which is an important assessment criterion, is difficult to perform in inpatients, the elderly, infants and patients requiring emergency intervention. Today, sensor systems and artificial intelligence are widely used to improve diagnosis and treatment in healthcare. Telemetry systems, which we encounter in many areas of health, improve the quality and efficiency of health services. In this thesis, it is aimed to design a telemetry instrumentation system with different machine learning models for BMI classification of hospitalized individuals. A dataset was created by collecting pressure sensor and camera data from 44 individuals for BMI classification. A total of 176 images and sensor data were collected from each individual for 4 different positions. The sensor data were visualized via Microsoft Excel and a pressure map was obtained. In order to provide better results for machine learning models, image data were preprocessed, data augmented and segmented for feature extraction. YOLOV8 architecture was used in the segmentation process. These feature-extracted image data and sensor data were combined and classified as normal and overweight in Support Vector Machine, Random Forest and XGBoost machine learning models. Classification accuracy values are %83, %87 and %90 for Support Vector Machine, Random Forest and XGBoost, respectively. When these models were compared in terms of performance, the XGBoost model showed the best classification performance as normal and overweight with an accuracy of %90.

Benzer Tezler

  1. Obezite ve hafif şişmanlığın değerlendirilmesinde vücut cüssesinin önemi

    The important of body frame size for evulation mild obesity and obesity

    MEHTAP BAHADIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Beslenme ve DiyetetikHacettepe Üniversitesi

    Toplu Beslenme Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ PELİN BİLGİÇ

  2. Fitness merkezlerinde egzersiz yapan bireylerin fiziksel aktivite düzeyi ve yaşam kalitesi ilişkisi

    The relationship between the quality of life and physical activity level of individuals exercising in fitness centers

    OLGUN UĞURLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    SporAnadolu Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    DOÇ. DR. GÜLSÜN GÜVEN

  3. Meme, kolon, mide ve akciğer kanseri ile takipli olan hastalarda leser trelat, akantozis nigrikans ve seboreik keratoz bulgularının değerlendirilmesi

    Evaluation of leser trelat, acanthosis nigricans and seborrheic keratosis findings in patients followed up with breast, colon, stomach and lung cancer

    BETÜL ERSÖZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    DermatolojiKaradeniz Teknik Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. FEYYAZ ÖZDEMİR

  4. Bolu il merkezi ̓ nde (Araştırılmamış) dispepsi prevalansı: Populasyona dayalı çalışma

    The prevalence of dyspepsia in the city of bolu (Uninvestigated): A population-based study

    ESMA ÖZMEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    GastroenterolojiAbant İzzet Baysal Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. ÜLKÜ DAĞLI

  5. Metabolik sendrom tanılı hastalarda periferik arter hastalığının ankle-brachial index (ABI) ile değerlendirilmesi

    Evaluation of peripheral artery disease with ankle-brachial index (ABI) in patients diagnosed metabolic syndrome

    SEZİN KIROĞLU UZUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    İç HastalıklarıSağlık Bakanlığı

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. REFİK DEMİRTUNÇ