Geri Dön

EKG görüntülerini kullanarak farklı transfer öğrenme modelleri ile aritmi tespiti

Arrhythmia detection with different transfer learning models using ECG

  1. Tez No: 906981
  2. Yazar: ÖMER YILDIZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ABDULKADİR ŞEKER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Sivas Cumhuriyet Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

Yapay zekâ teknolojilerinin sağlık sektöründeki uygulamaları, hastalıkların teşhis ve tedavi süreçlerinde devrim yaratmaktadır. Bu alandaki önemli konulardan birisi de kalp aritmisinin tespitidir. Aritmi, kalp atışlarının normal beklenen ritminden saparak hızlı, yavaş ya da düzensiz olması durumlarını ifade eder. Aritmi tespiti için çeşitli yöntemler kullanılmakta olup, bunlardan en yaygın olanı elektrokardiyogram (EKG) sinyallerinin işlenmesidir. Geleneksel yöntemler, EKG sinyallerini matematiksel olarak işleyerek bu sinyallerden dalga biçimlerine ait parametreler çıkarılmasını ve yorumlanmasını içerir. Diğer bir yaklaşım ise, EKG sinyallerini tek boyutlu vektörler olarak ele alıp, bu vektörler üzerinde makine öğrenmesi teknikleri kullanarak aritmi sınıflandırması yapmaktır. Ancak bu çalışmada, literatürde daha az rastlanan bir yöntem kullanılmıştır. MIT-BIH Aritmi veri tabanı ve PTB-XL veri tabanlarından elde edilen EKG sinyalleri iki boyutlu görüntüler olarak örneklendirilmiş ve bu görüntüler üzerinden aritmi tespiti gerçekleştirilmiştir. Araştırma kapsamında, EKG sinyalleri ölçeklendirilerek görselleştirilmiştir. MIT-BIH veri tabanındaki kayıtlardan ritim etiketlerine göre 10 saniyelik aralıklarla kesitler alınarak, diğer iki veri setinden ise herhangi bir bölütleme yapmadan yüksek miktarda ve çeşitlilikte görüntü girdileri üretilmiştir. Bu görüntü veri seti, VGG16, DenseNet201, EfficientNetV2L gibi çeşitli önceden eğitilmiş derin öğrenme modelleriyle yeniden eğitilmiştir. Yürütülen deneylerde, çoklu sınıflandırma problemlerinde özellikle VGG16 modeli kullanılarak %96'nın üzerinde bir doğruluk oranına ulaşıldığı gözlemlenmiştir. Bu sonuç, EKG aritmi sınıflandırma çalışmalarının bilgisayarlı görü teknikleri ile de yüksek başarı ile gerçekleştirilebileceğini göstermiş olup, bu alanda yapılan çalışmalara önemli bir katkı sağlamaktadır. Bu bulgular hem akademik hem de klinik pratikler için yeni ve etkili aritmi tespit yöntemleri geliştirilmesinde yol gösterici olabilir.

Özet (Çeviri)

The applications of artificial intelligence technologies in the healthcare sector are revolutionizing the diagnosis and treatment of diseases. One of the important issues in this field is the detection of heart arrhythmia. Arrhythmia is a condition in which the heartbeat deviates from its normal expected rhythm and becomes fast, slow or irregular. Various methods are used for arrhythmia detection, the most common of which is the processing of electrocardiogram (ECG) signals. Traditional methods involve mathematical processing of ECG signals to extract and interpret waveform parameters. Another approach is to treat ECG signals as one-dimensional vectors and perform arrhythmia classification on these vectors using machine learning techniques. However, in this study, a method that is less common in the literature is used. ECG signals obtained from the MIT-BIH Arrhythmia database and PTB-XL databases were sampled as two-dimensional images and arrhythmia detection was performed on these images. Within the scope of the research, ECG signals were scaled and visualized. The recordings in the MIT-BIH database were segmented at 10-second intervals according to the rhythm labels, and a large amount and variety of image inputs were generated from the other two datasets without any segmentation. This image dataset was retrained with various pre-trained deep learning models such as VGG16, DenseNet201, EfficientNetV2L. In the experiments, it was observed that an accuracy rate of over 96% was achieved in multiple classification problems, especially using the VGG16 model. This result shows that ECG arrhythmia classification studies can be performed with computer vision techniques with high success and makes an important contribution to the studies in this field. These findings may guide the development of new and effective arrhythmia detection methods for both academic and clinical applications.

Benzer Tezler

  1. Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  2. Sensitivity analysis and multi contrast imaging of magnetic resonance magnetohydrodynamic flow velocimetry at 3 Tesla

    3 Teslada manyetik rezonans manyetohidrodinamik akış hızı ölçümünün duyarlılık analizi ve çoklu kontrast görüntülenmesi

    MERT ŞİŞMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET MURAT EYÜBOĞLU

  3. Simulation of transmembrane potential propagation in three dimensional ventricular tissue using Aliev Panfilov model

    Aliev-Panfilov modeli kullanılarak 3 boyutlu ventrikuler dokuda transmembran potansiyellerinin yayılımının simülasyonu

    MIRMEHDI SEYEDEBRAHIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    BiyomühendislikOrta Doğu Teknik Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YEŞİM SERİNAĞAOĞLU DOĞRUSÖZ

    DR. FERHAT EYYÜPKOCA

  4. Derin öğrenme yöntemleri kullanarak EKG görüntülerinden COVID-19'un tespit edilmesi

    Detecting COVID-19 from ECG images using deep learning methods

    NİDA AKKUZU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KAYA

  5. EKG sinyallerinden elde edilen görüntülerin hibrit derin öğrenme yöntemleri kullanılarak sınıflandırılması

    Classification of images obtained from ECG signals using hybrid deep learning methods

    ONUR AKCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SÜLEYMAN UZUN

    DR. ÖĞR. ÜYESİ ALİ OSMAN SELVİ