Transformer based interpretable algorithm for diagnosing myocardial infarction from electrocardiography data
Elektrokardiyografi verilerinden miyokard enfarktüsünü teşhisi için transformer tabanlı yorumlanabilir algoritma geliştirilmesi
- Tez No: 916841
- Danışmanlar: PROF. DR. YUSUF SİNAN AKGÜL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Miyokard enfarktüsü (ME), kalp kasının oksijen eksikliği nedeniyle hasar gördüğü ölümcül kardiyovasküler hastalıklardan biridir. Erken teşhis kritik önem taşır, ancak elektrokardiyogram(EKG) ölçümlerinden yorumlanması uzmanlık ve zaman gerektiren bir işlemdir. Bu nedenle, EKG verilerini kullanarak EKG sinyallerinden ME teşhisi yapabilen algoritmaların geliştirilmesine sağlık ve yapay zeka alanlarında önem verilmektedir. Bu çalışmada, dört farklı derin öğrenme modeli denenmiştir: CNN (Evrişimsel Sinir Ağları), CRNN(Evrişimsel Yinelemeli Sinir Ağları), CNN ile Çok Başlı Dikkat ve Transformer tabanlı modeller. Bu modeller, herkese açık olarak erişilebilen PTB, PTB-XL ve INCART veri setlerinin birleştirilmiş hali üzerinde eğitildi ve test edildi. Modellerin performansı doğruluk, duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiştir. Transformer tabanlı model %93'lük doğruluk oranıyla en başarılı model oldu. Diğer yandan, çalışmanın önemli bir kısmını modellerin şeffaflaştırılmasına ayrılmış ve Grad-CAM bazlı yöntemlerin yanında karşıt saldırıları örnek alan bir pertürbasyon algoritması sayesinde derivasyonlar sırayla bozulmuş ve modellerin davranışı analiz edilmiştir.
Özet (Çeviri)
Myocardial infarction (MI), a fatal cardiovascular disease, occurs when the heart muscle is damaged due to lack of oxygen. Early diagnosis is of critical importance, yet interpreting electrocardiogram(ECG) signals requires expertise and time. Therefore, the development of algorithms capable of diagnosing MI using ECG data is studied well in the fields of health and artificial intelligence. In this study, four different deep learning models were explored: Convolutional Neural Networks (CNNs),CRNNs(Convolutional Recurrent Neural Networks), CNNs with Multi-Head Attention, and Transformer-based models. These models were trained and tested on the combined dataset of the publicly available PTB, PTB-XL, and INCART datasets. The performances of the models were evaluated using metrics such as accuracy, sensitivity, specificity, and F1 score. The transformer-based model was the most successful model with an accuracy rate of 93%. On the other hand, the study focused on the transparency of the models, where Grad-CAM based methods and a perturbation algorithm inspired by adversarial attacks were used to disrupt derivations and analyze the behavior of the models.
Benzer Tezler
- Toplu taşıma hatlarının optimizasyonu için bir model önerisi: Sivas örneği
A model proposal for the optimization of public transportation lines: The case of Sivas
İSMAİL ÖZÇELİK
- Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti
Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods
ZÜLFİKAR ASLAN
- A reliable alzheimer's disease classification system using a structural MRI dataset
Yapısal manyetik rezonans görüntüleme (MRG) veri seti kullanılarak güvenilir bir alzheimer hastalığı sınıflandırma sistemi
ABDUALLAH DAMASH
Yüksek Lisans
İngilizce
2026
Orta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Makine öğrenmesi yöntemleriyle kolorektal kanserin moleküler, patolojik, klinik ve prognostik özelliklerinin incelenmesi
Machine learning methods to evaluate molecular, pathological, clinical and prognostic features of colorectal cancer
CEM ŞİMŞEK
- HYBRID ENSEMBLE DEEP LEARNING FRAMEWORK WITH SNAKE AND EVO OPTIMIZATION FOR MULTICLASS CLASSİFİCATION OF ALZHEIMER'S DISEASE USING MRI NEUROIMAGING
MRI NÖROGÖRÜNTÜLEME KULLANILARAK ALZHEIMER HASTALIĞININ ÇOK SINIFLI SINIFLANDIRILMASI İÇİN SNAKE VE EVO OPTİMİZASYONLU HİBRİT TOPLULUK DERİN ÖĞRENME ÇERÇEVESİ
AREJ MASOD RAJAB ALHAGI
Doktora
İngilizce
2026
Altınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
