Time series classification using deep neural networks
Derin sinir ağları ile zaman serilerinin sınıflandırılması
- Tez No: 697950
- Danışmanlar: DOÇ. DR. İLKER TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrokardiyogram (EKG), sağlık kuruluşlarında kalbin elektriksel uyarılarını değerlendirmek için kullanılan en yaygın ve en ucuz tanı yöntemlerinden biridir. Aritmi, anormal kardiyak sinyallerini ifade eden bir terimdir ve çoğu durumda ölüme yol açabilir. Çeşitli şekillerde rastlanabilir olan aritmiler bir EKG testi ile tespit edebilir. Bu nedenle EKG atımlarını kullanarak aritmileri sınıflandırmak için otomatik sınıflandırma yöntemleri geliştirmek günümüzde ilgi çekici bir çalışma alanıdır. Zaman serisi sınıflandırması, biyomedikal sensörlerden toplanan vektör şekilli veriler için karar yardımı sağlayarak tıbbi teşhiste önemli bir rol oynar. Geleneksel makine öğrenimi yöntemleri iyi bir başlangıç noktası sağlar, ancak daha fazla özellik çıkarma prosedürüne ihtiyaç duyarlar ve çağdaş derin öğrenme yaklaşımlarından daha az doğruluğa sahiptirler. Derin öğrenme mimarileri TSC çalışmaları için altın standart haline gelmiş, daha doğru sonuçlar sağlamış ve hangi mimarinin daha hızlı uygulama ile daha iyi sonuçlar verdiğine dair araştırmaları teşvik etmiştir. Bu çalışmanın amacı, açık kaynaklı bir EKG veri seti olan MIT/BIH Aritmi Veri Kümesini kullanarak CNN ve LSTM derin öğrenme mimarilerini klasik ANN sınıflandırıcılarıyla karşılaştırmaktır. Bulgular, en iyi doğruluğun (%96.17) CNN mimarisi için elde edildiğini, LSTM'nin karşılaştırılabilir doğrulukla (%94.42) sonuçlandığını ve geleneksel ANN'nin (%88.98) daha yeni ve karmaşık mimarilerle rekabet edemediğini ortaya koymaktadır. Bu sonuçlar, vektör şeklindeki sinyallerin, görüntüler gibi iki veya daha fazla boyutlu verilere kıyasla nispeten daha düşük karmaşıklığa sahip olmasına rağmen, daha karmaşık derin öğrenme mimarileri ile daha yüksek doğruluk ile sınıflandırılabildiğini ve geleneksel sinir ağlarından daha iyi performans sağladığını göstermektedir.
Özet (Çeviri)
Electrocardiogram (ECG) is one of the most common and least expensive diagnostic methods used in healthcare facilities to evaluate the heart's electrical impulses. Arrhythmia is a term that refers to abnormal cardiac signals and, in most cases, it can lead to death. Arrhythmias, coming in a variety of forms, can be detected with an ECG test. Therefore, automated methods to classify arrhythmias using ECG beats has been an interesting topic for recent years. Time series classification plays an important role in medical diagnostics by providing decision assistance for vector-shaped data collected from biomedical sensors. Traditional machine learning methods give a good starting point, but they need more feature extraction procedures and have less accuracy compared to contemporary deep learning approaches. Deep learning architectures have become the golden standard for TSC tasks, providing more accurate results and prompting research into which architecture delivers better results with faster implementation. The aim of this study is to compare the CNN and LSTM deep learning architectures with classical ANN classifiers using the MIT/BIH Arrhythmia Dataset, a publicly available ECG dataset. The findings reveal that the best accuracy is achieved for CNN architecture used (96.17%), while LSTM resulted in comparable accuracy (94.42%) and traditional ANN (88.98%) is not as accurate as the more recent and complicated architectures. These outcomes indicate that although vector-shaped signals have relatively lower complexity compared to two or more-dimensional data like images, more complicated deep learning architectures outperform the traditional neural networks indicating exploration of high order patterns in one dimensional data improves classification accuracy.
Benzer Tezler
- Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması
Tariff classification with multi-dimensional deep learning using time series load data
ZÜMERYA ÜSTÜNDAĞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH SERTTAŞ
- Finansal zaman serisi görüntü temsillerinin ön-eğitimli evrişimsel sinir ağları ile sınıflandırılması yoluyla alım satım sinyal tahmini ve algoritmik ticaret uygulamaları
Trading signal forecasting and algorithmic trading applications via classification of financial time series image representations using pre-trained convolutional neural networks
YAHYA ALTUNTAŞ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADNAN FATİH KOCAMAZ
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Multi-channels deep convolution neural network for early classification of multivariate time series
Çok kanallı derin dönüşümerken sinir ağıçok değişkenli zaman sınıflandırmasıdiziler
AHMED MUAYAD QADER QADER
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN
- Visualization of deep networks trained for bipolar disorder classification by using fNIRS measurements
Bipolar hastalığı sınıflandırması için fNIRS ölçümleri kullanılarak eğitilmiş derin ağların görselleştirilmesi
OĞUZHAN BABACAN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLKAY ULUSOY