Sporcular için invaziv olmayan sürekli kan basıncı tahmini
Non-invasive continuous blood pressure estimation for athletes
- Tez No: 937252
- Danışmanlar: DOÇ. DR. AHMET AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Mühendislik Bilimleri, Biyoteknoloji, Bioengineering, Engineering Sciences, Biotechnology
- Anahtar Kelimeler: Kan Basıncı, ECG, PPG, Makine Öğrenmesi, Blood Pressure, ECG, PPG, Machine Learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde farklı makine öğrenmesi modelleri kullanarak sporculara yönelik matşetsiz ve invaziv olmayan kan basıncı (KB) tahmini üzerine bir yöntem geliştirilmiştir. Geleneksel KB ölçüm yöntemleri İnvaziv ve invaziv olmayan olmak üzere ikiye ayrılmaktadır. Son yıllarda her iki yöntemin dezavantajlarını gidermek amacıyla vücut üzerinden kolay bir şekilde ölçülebilen elektrokardiyogram(ECG) ve fotoplatismogram(PPG) gibi biyosinyaller kullanarak dolaylı olarak KB ölçümü yapan sistemler büyük bir ilgi görmüştür. Bu çalışmada, ECG sinyalinden kalp atım hızı(HR),P-R süresi, R-R süresi, P genliği, R genliği ve T genliği özellikleri, PPG sinyalinden nabız aralığı(PPI), sistolik pik genliği(SPV), nabız dalga bitişi (PWE) ve Dikrotik çentiğin genliği (b) ile sistolik zirvenin genliği (a) arasındaki orandır. b/a oranı özellikleri ve her iki sinyali kullanarak hesaplanan nabız geçiş zamanı(PTT) özelliği hesaplanmıştır. Makine öğrenmesi modellerinin eğitimi ve test süreci için, hem hazır veri setleri hem de bu çalışma kapsamında geliştirilen özel donanım aracılığıyla toplanan özgün veriler kullanılmıştır. Tasarlanan sistem, gerçek zamanlı sinyal kaydı yapabilmekte olup, ölçümler koşu bandı üzerinde egzersiz yapan deneklerden alınmıştır. Bu yönüyle sistem, sporculara özel olarak değerlendirilmiş ve fiziksel aktivite sırasındaki KB değişimlerini yansıtabilecek nitelikte veri sağlamıştır. Elde edilen özellikler yardımıyla KB tahmini için farklı makine öğrenmesi modelleri denenmiştir. Test edilen makine öğrenmesi modelleri arasında diastolik KB için 2.3+0.7 sistolik KB için 5+1.3 MAE değeriyle en başarılı LASSO regresyon modeli görülmiştir. Çalışmada kullanılan ECG ve PPG sinyalleri, makine öğrenmesi modellerini eğitmek amacıyla belirli ön işleme adımlarına tabi tutulmuştur. Bu adımlar arasında sinyal filtreleme, özellik seçimi ve normalizasyon yer almaktadır. Test edilen makine öğrenmesi modellerinin performanslarını değerlendirmek üzere farklı veri setler kullanılmış ve modellerin doğruluğu değerlendirilmiştir. Bu çalışmada, literatürde dolaylı KB ölçümü için ECG ve PPG sinyallerini kullanan diğer çalışmalara kıyasla, daha az sayıda özellik kullanılarak yüksek doğruluğa sahip bir algoritma geliştirilmiştir. Sonuç olarak, geliştirilen sistem, non-invaziv ve sürekli kan basıncı tahmini için umut vadeden bir yaklaşım sunmaktadır.
Özet (Çeviri)
athletes was developed using various machine learning models. Traditional BP measurement techniques are classified as invasive and non-invasive, both of which have certain limitations. In recent years, systems that estimate BP indirectly using biosignals such as electrocardiogram (ECG) and photoplethysmogram (PPG)—which can be easily measured from the body—have attracted significant attention as alternatives to overcome these disadvantages. In this study, several features were extracted: from the ECG signal—heart rate (HR), P-R interval, R-R interval, and the amplitudes of the P, R, and T waves; from the PPG signal—pulse period interval (PPI), systolic peak value (SPV), pulse wave end (PWE), and the ratio between the amplitude of the dicrotic notch (b) and the amplitude of the systolic peak (a).b/a ratio; and additionally, pulse transit time (PTT) was calculated using both signals. For the training and testing of the machine learning models, both publicly available datasets and original data collected via custom-designed hardware developed within the scope of this study were used. The designed system is capable of real-time signal acquisition, and the measurements were taken from subjects while running on a treadmill. Therefore, the system was specifically evaluated for athletic use, providing data that reflects BP variations during physical activity. Using the extracted features, several machine learning algorithms were tested for BP estimation. Among the tested models, the LASSO regression model achieved the best performance with a mean absolute error (MAE) of 2.3 ± 0.7 mmHg for diastolic BP and 5 ± 1.3 mmHg for systolic BP. The ECG and PPG signals used in the study were subjected to several preprocessing steps, including signal filtering, feature selection, and normalization, prior to training the models. In order to evaluate the generalization and accuracy of the models, different datasets were utilized during testing. Compared to other studies in the literature that estimate BP indirectly using ECG and PPG signals, this study developed a highly accurate algorithm using fewer features. In conclusion, the proposed system presents a promising approach for non-invasive and continuous blood pressure monitoring
Benzer Tezler
- Ankara ilindeki üç ilköğretim okulu öğrencilerinin epilepsiye yaklaşımı ve hastalık hakkındaki bilgi düzeyleri
Knowledge of epilepsy and attitudes towards the condition among three elementary schools students in Ankara
İKBAL OK BOZKAYA
Tıpta Uzmanlık
Türkçe
2006
Çocuk Sağlığı ve HastalıklarıGazi ÜniversitesiÇocuk Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. AYŞE SERDAROĞLU
- Sportif oyunlardan (hentbol'de) sporcu beslenmesi ve kahvaltı yapmanın performansa etkisi üzerinde bir araştırma
Başlık çevirisi yok
MELİH SALMAN
- Gençler Birliği Ümit Futbol Takımı'nın çeşitli fiziki kapasitelerinin ölçümü ve değerlendirilmesi
Başlık çevirisi yok
FARUK YAMANER