Sparse representation based ECG heartbeat classification using convolutional neural networks
Tıbbı sinyal sınıflandırması için seyrek temsil tabanlı çevrimsel sinir ağlarının kullanılması
- Tez No: 645359
- Danışmanlar: DOÇ. DR. SEMA KAYHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler bozukluklar, elektrokardiyogram (EKG veya ECG) kullanılarak izlenebilir. Kalp rahatsızlıklarının yorumlanması insanlar için zor olduğundan, doktorların aritmi varyasyonlarını gerçek zamanlı ve doğru bir şekilde sınıflandırmalarına yardımcı olacak otomatik modeller geliştirmek büyük önem taşımaktadır. EKG cihazlarından ve ayarlarından kaynaklanan gürültüye ek olarak hasta kayıtlardaki EKG kalp atışları arasında benzerlikler olduğundan EKG sinyallerinin sınıflandırılması zordur. Bu çalışmada, tamamlanmış bir Gabor sözlüğü üzerinden EKG sinyallerinin seyrek temsilini kullanan ve bunları Evrişimli Sinir Ağı kullanarak sınıflandıran yeni bir model sunumaktadır. Aşırı tamamlanmış Gabor sözlüğü aracılığıyla uygun seyrek vektörler üretmek için Dik Eşleştirmeme Takip Algoritması kullanılır. Üretilen seyrek girdiler, 5 farklı EKG kalp atışı kategorisini otomatik olarak sınıflandırmak için, önerilen beş ardışık çift 1-D evrişimli katmandan oluşan ağı, beslemek için kullanılır. Geleneksel algoritmaların aksine, bu yöntem, özellik çıkarma veya seçme gibi ön işleme gerektirmez. Geliştirilen modelin performansını değerlendirmek için MITBIH Aritmi veritabanı kullanılmıştır. Önerilen model, hem seyrek hem de seyrek olmayan girdiler kullanılarak test edilmiştir. Model, dengesiz sınıfların etkisini azaltmak amacıyla sınıfları artırılmış ve dengelenmiş veriler üzerinde de test edilmiştir. Deneysel sonuçlar, dağıtılmış girdiler için model doğruluğunun dengesiz ve dengeli veriler için sırasıyla% 97.44 ve% 97.32'ye ulaştığını göstermektedir. Seyrek olmayanlar için ise bu performans dengesiz ve dengeli veriler için sırasıyla% 98,84 ve% 98,69 olarak gerçekleşmiştir.
Özet (Çeviri)
The cardiovascular disorders can be monitored using electrocardiogram (ECG or EKG). Since the interpretation of arrhythmias disorders is difficult by human, it is of great importance to develop automated models to help physicians classify arrhythmias in a real-time and accurate manner. The classification of ECGs signals is challenging as there are similarities among ECG heartbeats within inter-patient and intra-patient recordings, in addition to the noise resulted from ECGs' apparatus and settings. This paper presents a new model, which uses sparse representations of ECG signals and classifies them using a Convolutional Neural Network. An orthogonal matching pursuit method is implemented to produce appropriate sparse-represented signals based on an overcomplete Gabor dictionary. The sparsified (SR-ed) inputs are fed into the proposed network which consists of 5 successive double 1-D convolutional layers to classify 5 ECG categories. In contrast to traditional algorithms, this method does not require preprocessing such as feature extraction or selection. The MITBIH Arrhythmia database is used to evaluate the performance of the developed model. The model is tested using non-SR-ed, SR-ed and compressed SR-ed (CSR-ed) data for both imbalanced and balanced classes datasets. The experimental results show that the model accuracies of the SR-ed data reach up to 97.44% and 97.32% for the imbalanced and balanced datasets respectively. While for the non-SR-ed ones, the accuracies reach up to 98.84% and 98.69% for the imbalanced and balanced datasets respectively. Finally, as for the CSR-ed inputs, the accuracies reach up to 93.96% and 83.38% for the imbalanced and balanced datasets respectively.
Benzer Tezler
- Blind separation of bounded sources based on sparse representation
Seyrek temsile dayalı olarak sınırlı kaynakların kör ayrılması
EREN BABATAŞ
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER TUNGA ERDOĞAN
- Hiperspektral görüntülerin bölütleme ve seyrek gösterim temelli sıkıştırılması
Segmentation and sparse representation based compression of hyperspectral images
ADEM ERTEM
Yüksek Lisans
Türkçe
2020
Mühendislik BilimleriKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Seyrek temsil ile içerik tabanlı görüntü erişimi
Content based image retrieval with sparse representation
CEYHUN ÇELİK
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE
- Sparse representation frameworks for inference problems in visual sensor networks
Görsel algılayıcı ağlarındaki istatiksel çıkarım problemleri için seyrek temsil yöntemleri
SERHAN COŞAR
Doktora
İngilizce
2013
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- Sparse coding based ensemble classifiers combined with active learning framework for data classification
Veri sınıflandırma için aktif öğrenme çerçevesi ile birleştirilmiş ayrık kodlama tabanlı sınıflandırıcı toplulukları
GÖKSU TÜYSÜZOĞLU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN