PPG sinyalleri kullanarak manşonsuz ve sürekli kan basıncı izleme
Cuffless and continuous blood pressure monitoring using PPG signals
- Tez No: 904651
- Danışmanlar: PROF. DR. ERGUN ERÇELEBİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: 64
Özet
Hipertansiyon, kardiyovasküler hastalıklar için önemli bir risk faktörüdür ve bu durum, sürekli ve doğru bir şekilde izlenmesi gerektiğini vurgular. Bu tez, Fotopletismogram (PPG) sinyallerini kullanarak manşetsiz ve sürekli kan basıncı izleme sistemi geliştirilmesini amaçlamaktadır ve derin öğrenme modelleri ile Sistolik Kan Basıncı (SBP) ve Diyastolik Kan Basıncı (DBP) tahmini yapılmaktadır. Veri bütünlüğünü korumak için filtreleme, normalleştirme ve segmentasyon gibi minimal veri ön işleme adımları uygulanmıştır. Zaman serisi bağımlılıklarını yakalamak ve tahmin doğruluğunu artırmak amacıyla, öz-dikkat mekanizmaları ile güçlendirilmiş Uzun Kısa Süreli Bellek (LSTM) ağları kullanılmıştır. Model, Sistolik Kan Basıncı (SBP) için ortalama mutlak hata (MAE) 18.1 mmHg ve Diyastolik Kan Basıncı (DBP) için 8.6 mmHg elde etmiş, buna karşılık standart sapmalar sırasıyla 22.3 mmHg ve 11.4 mmHg olarak kaydedilmiştir. Bu sonuçlar, daha karmaşık hibrit modellerin elde ettiği sonuçları aşmasa da, önerilen yaklaşımın basitlik ve verimlilik açısından önemli avantajlar sunduğunu göstermektedir. Hesaplama karmaşıklığını ve kaynak gereksinimlerini en aza indirerek, yöntemimiz düşük güçlü giyilebilir cihazlarda ve gerçek zamanlı uygulamalarda kullanım için oldukça uygundur. Bu çalışma, derin öğrenme tekniklerinin invaziv olmayan, sürekli kardiyovasküler sağlık yönetimi için potansiyelini vurgulamakta ve daha erişilebilir ve kullanışlı izleme çözümlerinin geliştirilmesine katkıda bulunmaktadır.
Özet (Çeviri)
Hypertension is a major cardiovascular risk factor, emphasizing the need for continuous and accurate monitoring. This thesis introduces a cuffless and continuous blood pressure monitoring system using Photoplethysmogram (PPG) signals and deep learning models. Minimal preprocessing, including filtration, normalization, and segmentation, was applied to maintain data integrity. Long Short-Term Memory (LSTM) networks, enhanced with self-attention mechanisms, were utilized to capture temporal dependencies and improve predictive accuracy. The model achieved a Mean Absolute Error (MAE) of 18.1 mmHg for Systolic Blood Pressure (SBP) and 8.6 mmHg for Diastolic Blood Pressure (DBP), with standard deviations of 22.3 mmHg and 11.4 mmHg, respectively. Although these results may not outperform those achieved in recent studies utilizing more complex hybrid models, the simplicity and efficiency of our approach offers significant advantages. By minimizing computational complexity and resource requirements, our method is particularly well-suited for real-time applications and deployment in low-power wearable devices. This study underscores the potential of deep learning techniques for non-invasive, continuous cardiovascular health management and contributes to the development of more accessible and convenient monitoring solutions.
Benzer Tezler
- Pupg sinyal girişli manşonsuz sürekli kan basıncı izleme sisteminin performansının EKG ve PPG sinyal girişli sistemler ile karşılaştırılması
Comparing performance of the cuffless continuous blood pressure monitoring system with pupg signal input to systems with ECG and PPG signal input
ÖMER YILDIRIM
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TEMEL KAYIKÇIOĞLU
- Mobil cihaz sensörlerinden gelen PPG sinyallerini kullanarak kandaki glikoz seviyesinin ve böbrek yetmezliğinin makine öğrenmesi ile tahmini
Prediction of blood glucose level and kidney failure using PGG signals from mobile device sensors via machine learning
TAHA ELHARİRİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET REŞİT KAVSAOĞLU
DOÇ. DR. EFTAL ŞEHİRLİ
- LED'li sensör ve PPG sinyali kullanılarak, parmak yüzeyinden kan basıncını ve nabzı tahmin edebilen yazılımın geliştirilmesi
Development of software that can predict blood pressure and pulse from finger surface using LED sensor and PPG signal
GÖKÇEM DAŞDEMİR
Yüksek Lisans
Türkçe
2022
BiyomühendislikKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALPASLAN DUYSAK
- Elektrokardiyografi, fotopletismografi ve kalp sesi çoklu biyometriklerine dayalı kişi doğrulama: Cihaz ve sistem tasarımı
Person verification based on electrocardiography, photoplethysmography and heart sound multi-biometrics: Device and system design
SEÇKİN UYĞUR
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İBRAHİM YÜCEL ÖZBEK
- Uyku apnesi türlerinin sınıflandırılması
Classification of sleep apnea types
MEHMET FEYZİ AKŞAHİN
Doktora
Türkçe
2010
BiyomühendislikBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL