Sinyal işleme ve derin öğrenme yöntemleri ile EKG sinyallerinin sınıflandırılması
Classification of ECG signals using signal processing and deep learning methods
- Tez No: 992399
- Danışmanlar: DR. ÖĞR. ÜYESİ FERDİ ÖZBİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, Elektrokardiyagram (EKG) sinyallerinin sınıflandırılmasında sinyal işleme ve derin öğrenme yöntemlerinin bir arada kullanıldığı hibrit bir yaklaşım geliştirilmiştir. Ampirik Mod Ayrıştırma (Empirical Mode Decomposition, EMD) yöntemiyle EKG sinyalleri bileşenlerine ayrılmış ve bu bileşenler, derin öğrenme tabanlı Evrişimsel Sinir Ağı (Convolutional Neural Network, CNN) ve Uzun Kısa Süreli Bellek (Long Short-Term Memory LSTM) modellerine girdi olarak uygulanmıştır. Çalışmanın temel amacı, EKG sinyallerinin karmaşık yapısını oluşturan İçsel Mod Fonksiyonlarının (Internal Mode Functions, IMF) hem uzamsal hem de zamansal özelliklerini daha etkin biçimde öğrenmek ve bu iki modelin performansını karşılaştırmaktır. Elde edilen bulgulara göre, her iki model de yüksek sınıflandırma başarısı göstermiştir. LSTM modeli, zaman bağımlı örüntüleri öğrenme yeteneği sayesinde IMF3 ve IMF4 kombinasyonlarında %98'in üzerinde doğruluk ve 0.99'un üzerinde AUC değeri elde etmiştir. CNN modeli ise sinyallerin uzamsal özelliklerini kısa sürede öğrenmiş ve %97'nin üzerinde doğruluk oranına ulaşmıştır. LSTM modeli daha uzun eğitim süresi gerektirse de daha kararlı bir öğrenme eğrisi sergilerken, CNN modeli hesaplama açısından daha verimli çalışmıştır. Sonuç olarak, EMD ile ayrıştırılmış EKG sinyallerinde CNN ve LSTM modellerinin her ikisi de yüksek performans göstermiş, EMD tabanlı derin öğrenme yaklaşımlarının EKG sinyallerinin normal–anormal ayrımında etkili bir çözüm sunduğu ortaya konulmuştur. Bu yönüyle çalışma, biyomedikal sinyal analizinde hibrit derin öğrenme modellerinin kullanılabilirliğini destekleyen önemli bir katkı sağlamaktadır.
Özet (Çeviri)
In this study, a hybrid approach combining signal processing and deep learning techniques was developed for the classification of ECG signals. The Empirical Mode Decomposition (EMD) method was employed to decompose ECG signals into intrinsic mode functions (IMF), which were then utilized as inputs for deep learningbased Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) models. The primary objective of the study was to effectively learn both spatial and temporal features of the decomposed ECG components and to compare the classification performances of the two models. According to the obtained results, both models achieved high classification accuracy. The LSTM model, owing to its capability of capturing temporal dependencies, achieved accuracy rates above 98% and AUC values exceeding 0.99 in IMF3 and IMF4 combinations. The CNN model successfully learned spatial features of the signals, reaching accuracy rates above 97%. Although the LSTM model required longer training time, it exhibited a more stable learning curve, whereas the CNN model demonstrated higher computational efficiency. Consequently, both CNN and LSTM models achieved strong performance on EMD-decomposed ECG signals, confirming that EMD-based deep learning methods provide an effective solution for distinguishing normal and abnormal ECG patterns. This study demonstrates that hybrid deep learning architectures can serve as a powerful and reliable tool in biomedical signal analysis.
Benzer Tezler
- Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle EKG sinyallerinden kardiyak durumların sınıflandırılması
Classification of cardiac conditions from ECG signals using hybrid feature extraction and deep learning methods
HAZRET TEKİN
Doktora
Türkçe
2024
BiyomühendislikBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA
- Early diagnosis of acute myocardial infarction using ECG signals with explainable artificial intelligence
Akut Miyokard Enfarktüsü'nün EKG sinyalleri üzerinden açıklanabilir yapay zekâ ile erken tanısı
TOYGAR TANYEL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Multi-label classification of 12-lead ECG signal using a mixture-of-experts transformer model
Uzmanların karışımı bazlı dönüştürücü modeli ile 12 kanallı EKG sinyalinin çok etiketli sınıflandırılması
ATALAY ÇELİK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Elektrokardiyografi sinyallerinin zaman frekans analizinden aritmi hastalığının uzun kısa süreli hafıza derin öğrenme modeli ile tespiti
Detection of arrhythmia disease from time-frequency analysis of electrocardiography signals with long short-term memory deep learning model
EMRE DEMİRTAŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KASIM
- Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması
Classification of arrhythmias based on artificial intelligence from electrocardiography signals
BÜŞRA ÜNLÜ
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriTobb Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL