Fonokardiyogram verilerinden derin öğrenme tabanlı mel spektrogramanalizi ile kalp üfürümü tespiti
Heart murmur detection with deep learning based mel spectrogramanalysis from phonocardiogram data
- Tez No: 1011202
- Danışmanlar: DR. ÖĞR. ÜYESİ HAYATİ TÜRE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gümüşhane Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kalp oskültasyonu, kalp seslerinin değerlendirilmesi ve kapak hastalıklarının belirlenmesinde kullanılan temel klinik yöntemlerden biridir. Ancak bu yöntemin doğruluğu büyük ölçüde klinisyenin deneyimine bağlıdır ve bu durum tanısal sonuçlarda değişkenliğe yol açabilmektedir. Bu çalışma, söz konusu sınırlamaları azaltmak amacıyla kalp seslerinin sınıflandırılmasına yönelik derin öğrenme tabanlı otomatik bir sistem önermektedir. Bu kapsamda fonokardiyogram (FKG) sinyalleri Mel-spektrogram temsiline dönüştürülerek zaman-frekans alanındaki ayırt edici özellikler elde edilmiştir. Elde edilen özellikler, kalp seslerini dört sınıfa ayırmak için kullanılmıştır: normal kalp sesleri, üfürümlü anormal sesler, normal sonuçlu üfürümler ve üfürümsüz anormal sesler. Sınıflandırma sürecinde Konvolüsyonel Sinir Ağları (CNN) kullanılmış ve ResNet50 ile ResNet152 gibi transfer öğrenme tabanlı mimarilerden yararlanılmıştır. Veri kümesindeki sınıf dengesizliğini azaltmak için hedefli veri artırma yöntemleri uygulanmıştır. Deneysel sonuçlar, ResNet152 modelinin yaklaşık %84.6 doğruluk oranı ile en iyi performansı gösterdiğini ortaya koymuştur. Elde edilen bulgular, önerilen yaklaşımın yüksek ayırt edicilik sağladığını ve klinik karar destek sistemlerinde kullanılabileceğini göstermektedir.
Özet (Çeviri)
Heart auscultation is a fundamental clinical method used to evaluate heart sounds and detect valve diseases. However, its accuracy largely depends on the clinician's experience, which may lead to variability in diagnostic outcomes. This study proposes a deep learning–based automatic system for classifying heart sounds to reduce these limitations. Phonocardiogram (PCG) signals are first transformed into Mel-spectrogram representations to extract discriminative time–frequency features. These features are used to classify heart sounds into four categories: normal, murmur-related abnormal, normal outcome murmurs, and abnormal sounds without murmurs. Convolutional Neural Networks (CNNs) are employed, utilizing transfer learning architectures such as ResNet50 and ResNet152. To address class imbalance, targeted data augmentation techniques are applied. Experimental results show that the ResNet152-based model achieves the highest performance with approximately 84.6% accuracy. The findings demonstrate that the proposed approach provides strong discriminative capability and has significant potential for use in clinical decision support systems.
Benzer Tezler
- Fonokardiyogram kayıtlarındaki S1-S2 seslerinin dalgacık enerjileri ile bölütlenmesi
Segmentation of S1-S2 sounds in phonocardiogram records using wavelet energies
MUSTAFA YAMAÇLI
Yüksek Lisans
Türkçe
2008
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜMRAY DOKUR
- Kalp sesiyle (fonokardiyogram ile) kimlik doğrulama
Heart sound (phonocardiogram) in identity verification
FAKHER TAFAKHERI
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE
- Sayısal stetoskop ile elde edilen kalp ses (fonokardiyogram) sinyallerinin bölütlenmesi ve sınıflandırılması
Segmentation and classification of heart sound (phonocardiogram) signals obtained by digital stethoscope
GÜLŞEN ÇELEBİ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLA YILMAZ
- Categorization of normal and abnormal heart ryhtms from phonocardiogram signals
Fonokardiyogram sinyallerinden normal ve anormal kalp ritimlerinin sınıflandırılması
SULTAN ASLAN
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAMİ ARICA
- Model based analysis of second heart sounds and some anatomical correlates
İkinci kalp seslerinin model temelli analizi ve bazı anatomik yapılarla ilişkileri
AHMET BAYKAL
Doktora
İngilizce
1992
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiPROF. DR. YUSUF ZİYA İDER