Derin öğrenme ve chroma spektrogramlarına dayalı EKGsinyallerinin sınıflandırılması
Classification of ECG signals based on deep learning and chromaspectrograms
- Tez No: 900456
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET BİLAL ER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
EKG, kalbin ritmini ve elektriksel aktivitesini grafik olarak kaydeden, invazif olmayan bir tanı aracıdır ve kalbin zaman içindeki elektriksel aktivite değişikliklerini değerlendirir. Kalp fonksiyonunu analiz etmek için temel fizyolojik bilgileri içerir; bu nedenle kardiyologlar tarafından sağlık bozukluklarını tespit etmek amacıyla yaygın olarak kullanılmaktadır. Ancak, EKG sinyali lineer değildir ve düşük genliği nedeniyle çıplak gözle ihmal edilebilecek küçük değişiklikler içerebilir. Aritmi, her zaman insan sağlığını doğrudan tehdit etmese de, kalp hastalığı semptomlarına ve hızlı atriyal fibrilasyon, paroksismal supraventriküler taşikardi, persistan ventriküler taşikardi gibi daha şiddetli aritmilere yol açabilir. Aritmiler ayrıca çarpıntı, göğüste sıkışma, baş dönmesi, kan basıncında değişiklikler, terleme, senkop ve ani ölüm gibi belirtilere yol açabilir. Bu kalp hastalıkları tehlikelidir ve semptomatik ise acil tedavi gerektirir. Yapay zekanın gelişmesiyle birlikte bu tür hastalıklar kolaylıkla tespit edilebilir hale gelmiştir. Bu çalışmada, derin öğrenme yöntemleriyle EKG sinyalleri chroma spektrogramlarına dönüştürülerek sinyallerin harmonik yapısı görsel olarak temsil edilmiş, böylece modelin tanı doğruluğu artırılmıştır. Ardından, InceptionNet V3, GoogleNet , MobileNet V2, EfficientNet, AlexNet ve ResNet-50 gibi önceden eğitilmiş ağlar kullanılarak bu sinyallerden özellikler çıkarılmıştır. Tüm kullanılan ağlar 10 çapraz doğrulama, %70-%30 eğitim-test ve %80-%20 eğitim-test olarak veriler bölünüp doğrulama işlemi gerçekleştirildi. Sınıflandırma işlemi için ise LDVM, Q-DVM, C-DVM, K-NN, TA, LR sınıflandırıcılar ile aritmi sınıflandırması gerçekleştirildi. InceptionNet V3 modelinde %84,7, GoogleNet modelinde %85,9, MobileNet V2 modelinde %87,6, EfficientNet modelinde %87,5, AlexNet modelinde %87,3 ve ResNet-50 modelinde %87,2 doğruluk elde edilmiştir.
Özet (Çeviri)
ECG is a non-invasive diagnostic tool that graphically records the rhythm and electrical activity of the heart, allowing for the evaluation of changes in the heart's electrical activity over time. It contains essential physiological information for analyzing heart function, and is therefore widely used by cardiologists to detect health disorders. However, the ECG signal is non-linear and may contain small changes that are difficult to detect with the naked eye due to its low amplitude. Although arrhythmia does not always directly threaten human health, it can lead to symptoms of heart disease and more severe arrhythmias, such as rapid atrial fibrillation, paroxysmal supraventricular tachycardia, and persistent ventricular tachycardia. Arrhythmias can also cause palpitations, chest tightness, dizziness, changes in blood pressure, sweating, syncope, and sudden death. These heart conditions are dangerous and require urgent treatment if symptomatic. With the development of artificial intelligence, such diseases can be more easily detected. In this study, ECG signals were transformed into chroma spectrograms using deep learning methods to visually represent the harmonic structure of the signals, thereby improving the diagnostic accuracy of the model. Features were then extracted from these signals using pre-trained networks such as InceptionNet V3, GoogleNet, MobileNet V2, EfficientNet, AlexNet, and ResNet-50. All the networks were evaluated using 10-fold cross-validation, as well as 70%-30% and 80%-20% training-testing splits for validation. For the classification process, arrhythmia classification was performed using L-SVM, Q-SVM, C-SVM, KNN, BT, and LR classifiers. The InceptionNet V3 model achieved 84.7% accuracy, the GoogleNet model 85.9%, the MobileNet V2 model 87.6%, the EfficientNet model 87.5%, the AlexNet model 87.3%, and the ResNet-50 model 87.2%.
Benzer Tezler
- Advanced techniques and comprehensive analysis in speech emotion recognition using deep neural networks
Derin sinir ağları kullanarak konuşma duygu tanıma üzerine gelişmiş teknikler ve kapsamlı analiz
AHMET KEMAL YETKİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Makine öğrenmesi ile Türk müziğinde duygu analizi
Emotion analysis in Turkish music with machine learning
MEHMET BİLAL ER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN MURAT ESİN
- Yalan haber yayılımın önlenmesine yönelik bir web tarayıcı uzantısı geliştirilmesi
Development of a web browser extension to prevent fake news
MERVE ESRA TAŞCI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YONCA BAYRAKDAR YILMAZ
- A neoteric evaluation of deep reinforcement learning algorithms utilizing game concepts
Oyun kavramlarından yararlanan derin pekiştirmeli öğrenme algoritmalarının neoterik bir değerlendirmesi
ZABIULLAH ALI SHER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- Audio visual attention for robots from a developmental perspective
Gelişimsel perspektiften robotlar için görsel ve işitsel diıkkat
NADA AL AZZAWI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE