TINYML tabanlı gömülü sistem ile EKG sinyalinden kardiyak aritmilerin tespiti
Detection of arrhythmias from ECG signal using TINYML-based embedded system
- Tez No: 916255
- Danışmanlar: DR. ÖĞR. ÜYESİ YALÇIN ALBAYRAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Bu çalışmada, bir dizi niceleme, özellik çıkarımı ve derin öğrenme algoritmaları kullanılarak STM32H750B kartı üzerinde TinyML ile EKG (elektrokardiyogram) aritmi sınıflandırması yapılmıştır. MIT-BIH Aritmi veri tabanından segmentasyon sonucu elde edilen EKG sinyallerine dalgacık dönüşümü uygulanmış ve elde edilen özellikler kullanılarak LSTM ağının eğitimi gerçekleştirilmiştir. Verinin ön işlenmesi ve modelin geliştirilmesi için MATLAB programı kullanılmıştır. Zaman serileri için tasarlanmış olan LSTM modeli ve sinyalin zaman ve frekans bilgisini aynı anda içeren Morlet dalgacığı fonksiyonunun birlikte kullanımı, ritmik ve ritmik olmayan EKG sinyallerindeki özelliklerin başarılı bir şekilde öğrenilmesini sağlamıştır. Elde edilen modelin kaynakları kısıtlı olan bir cihaz üzerinde (STM32H750B-DK) çalıştırılmasını sağlayacak optimizasyonlar için TinyML teknolojisi kullanılmıştır. Morlet dalgacık dönüşümü hesaplamalarının gömülü sistem üzerinde de yapılabilmesi için MATLAB CODER eklentisi kullanılarak, MATLAB kütüphanesi içerisinde tanımlı dalgacık dönüşümü algoritması, STM32H750B-DK geliştirme kartı için yeniden oluşturulmuştur. Geliştirme kartının ihtiyaç duyduğu hafızayı düşürecek bir dizi yazılım optimizasyondan sonra, Morlet dalgacık dönüşüm hesapları ve yapay zeka algoritmalarının STM32H750B-DK geliştirme kartı üzerinde birlikte çalıştırılmıştır. Çalışmanın temel hedefi, EKG verisinde bulunan aritmileri TinyML desteği ile yüksek doğrulukta sınıflandıran, gömülü sistemler üzerinden çalışan bir model geliştirmektedir. Çalışma sonunda gömülü sistem üzerinde çalışan modelin doğruluğu tatmin edici seviyelere ulaşmıştır. Bu çalışma, TinyML'in yalnızca fizyolojik sinyallerde değil, aynı zamanda karmaşık verilerin kaynak kısıtlı cihazlar üzerinde analiz edilmesindeki potansiyelini göstermektedir.
Özet (Çeviri)
In this study, arrhythmia classification of ECG (electrocardiogram) signals using TinyML was performed on the STM32H750B board, utilizing a series of quantization, feature extraction, and deep learning algorithms. Wavelet transform was applied to the ECG signals obtained through segmentation from the MIT-BIH Arrhythmia database, and the extracted features were used to train an LSTM network. MATLAB was used for data preprocessing and model development. The combination of the LSTM model, designed for time series, and the Morlet wavelet function, which contains both time and frequency information of the signal, enabled successful learning of features in both rhythmic and non-rhythmic ECG signals. TinyML technology was employed to optimize the model for execution on a resource-constrained device (STM32H750B-DK). To perform the Morlet wavelet transform calculations on the embedded system, the MATLAB CODER extension was used to recreate the wavelet transform algorithm, which is predefined in the MATLAB library, for the STM32H750B-DK development board. After a series of software optimizations to reduce the memory requirements of the development board, Morlet wavelet transform calculations and machine learning algorithms were successfully executed together on the STM32H750B-DK development board. The primary goal of this study is to develop a model that classifies arrhythmias in ECG data with high accuracy using TinyML on embedded systems. By the end of the study, the accuracy of the model running on the embedded system reached satisfactory levels. This study demonstrates the potential of TinyML not only for physiological signals but also for analyzing complex data on resource-constrained devices.
Benzer Tezler
- Derin öğrenme ve tinyml ile gerçek zamanlı düşme tespiti
Real-time fall detection with deep learning and tinyml
ABDULLAH SÖKÜLMEZ
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OKAN UYAR
- Device categorization from electrical signals with machine learning
Elektrik sinyallerinden makine öğrenmesi ile cihaz kategorizasyonu
TOLGA REİS
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- 3D lidar based fall detection
3B lidar tabanlı düşme algılama
SONER SEZGİN
Doktora
İngilizce
2025
Biyoteknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. MUSTAFA ŞEN
- A new approach for classifying maize crop diseases using IoT-based deep learning convolutional networks
IoT tabanlı derin öğrenme evrimisel ağları kullanarak mısır ürün hastalıklarının sınıflandırılmasına yönelik yeni bir yaklaşım
NABIL MUSTAFA OMAR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. NIMA JAFARI NAVIMIPOUR