Bilgisayarlı görü ile derin öğrenme tabanlı temassız kan basıncı tahmini
Computer vision based deep learning driven contactless blood pressure estimaion
- Tez No: 1018545
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER AKKAŞ
- 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: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kan basıncı, kardiyovasküler sistemin değerlendirilmesinde temel fizyolojik göstergelerden biri olup, özellikle hipertansiyon gibi kronik hastalıkların tanı, izlem ve risk değerlendirme süreçlerinde önemli bir rol üstlenmektedir. Klinik uygulamalarda yaygın olarak kullanılan manşet tabanlı ölçüm yöntemleri kullanıcı konforunu azaltmaları, kesintili ölçüm sağlamaları ve günlük yaşam koşullarında sınırlı kalmaları nedeniyle alternatif yaklaşımlara duyulan gereksinimi artırmıştır. Bu kapsamda, optik ve görüntü tabanlı fizyolojik sinyal elde etme yöntemleri, temassız ve invaziv olmayan yapılarıyla öne çıkmaktadır. Son yıllarda yapay zekâ ve derin öğrenme yöntemleri, biyomedikal sinyal işleme alanında karmaşık ve doğrusal olmayan ilişkilerin modellenmesinde önemli bir yer edinmiştir. Fotopletismografi (PPG) ve uzaktan fotopletismografi (rPPG) sinyalleri, klasik yöntemlerle belirlenmesi güç örüntüler içermeleri nedeniyle manuel özellik çıkarımına dayalı yaklaşımlar açısından çeşitli sınırlılıklar barındırmaktadır. Derin öğrenme tabanlı modeller ise çok katmanlı yapıları sayesinde bu sinyallerden anlamlı temsilleri otomatik olarak öğrenebilmekte ve bireyler arası fizyolojik farklılıklar ile sinyal bozulmaları karşısında daha esnek çözümler sunabilmektedir. Bu tez çalışmasında, rPPG sinyalleri kullanılarak temassız ve invaziv olmayan kan basıncı tahmini gerçekleştiren bir sistem geliştirilmiştir. Çalışma kapsamında ESA ve DSA tabanlı modeller eğitilmiş ve performansları karşılaştırmalı olarak değerlendirilmiştir. Deneysel sonuçlara göre en yüksek başarı DSA modeli ile elde edilmiştir. Geliştirilen DSA modeli, kan basıncı kategorilerini %98,3 genel doğruluk oranı ile sınıflandırmıştır. Ayrıca sistolik kan basıncı için 4,21 mmHg, diyastolik kan basıncı için ise 2,63 mmHg ortalama mutlak hata değeri elde edilmiştir. Elde edilen bulgular, web kamerası tabanlı sistemin tele-tıp ve uzaktan hasta izleme uygulamalarında kullanılabilecek bir yaklaşım sunduğunu göstermektedir.
Özet (Çeviri)
Blood pressure is one of the fundamental physiological indicators in the evaluation of the cardiovascular system and plays an important role particularly in the diagnosis, monitoring, and risk assessment processes of chronic diseases such as hypertension. Cuff-based measurement methods, which are widely used in clinical practice, have increased the need for alternative approaches due to their reducing user comfort, providing intermittent measurements, and remaining limited under daily life conditions. In this context, optical and image-based physiological signal acquisition methods stand out because of their contactless and non-invasive nature. In recent years, artificial intelligence and deep learning methods have gained an important place in modelling complex and nonlinear relationships in the field of biomedical signal processing. Photoplethysmography (PPG) and remote photoplethysmography (rPPG) signals involve patterns that are difficult to determine using classical methods and therefore present various limitations for approaches based on manual feature extraction. Deep learning-based models, on the other hand, can automatically learn meaningful representations from these signals thanks to their multilayered structures and can offer more flexible solutions in the face of inter-individual physiological differences and signal distortions. In this thesis, a contactless and non-invasive blood pressure estimation system was developed using rPPG signals. Within the scope of the study, ESA and DSA based models were trained, and their performances were evaluated comparatively. According to the experimental results, the highest performance was achieved with the DSA model. The developed DSA model classified blood pressure categories with an overall accuracy of 98.3%. In addition, mean absolute error values of 4.21 mmHg for systolic blood pressure and 2.63 mmHg for diastolic blood pressure were obtained. The findings indicate that the webcam-based system offers a feasible approach for use in telemedicine and remote patient monitoring applications.
Benzer Tezler
- Topluluk ve derin öğrenme yöntemleri ile renk ön işlemesine dayalı meyve sınıflandırma
Fruit classification based on color preprocessing with deep learnining and ensemble learning methods
ESMA İBİŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Bilgisayarlı görü ile derin öğrenme teknikleri kullanılarak spor antremanlarının doğruluğunun tespiti
Determining the accuracy of sports training using computer vision and deep learning techniques
NURETTİN ACI
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiBitlis Eren ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH KULUÖZTÜRK
- Analysis of visual design principles in art and architecture by computer vision and learning based model
Sanat ve mimaride görsel tasarım prensiplerinin bilgisayarlı görü ve öğrenme tabanlı model ile analizi
GÖZDENUR DEMİR
Doktora
İngilizce
2022
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ASLI KANAN
- Enhancing aviation safety through autonomous detection of foreign object debris: An accessible computer vision and deep learning approach
Otonom yabancı cisim döküntüsü (FOD) tespiti ile havacılık güvenliğinin artırılması: Erişilebilir bir bilgisayarlı görü ve derin öğrenme yaklaşımı
TURGAY BARKIN TÜRKŞEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TARKAN AYDIN
- Bilgisayarlı görü ve yapay zeka ile cam kusurlarının tespiti
Detection of glass defects with computer vision and artificial intelligence
YUSUF ÖZKAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBitlis Eren ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEDAT TÜMEN