Machine learning-based detection of abnormal ventricular contractions of the heart from ECG signals
Kalbin anormal ventriküler kasılmalarının EKG sinyallerinden makine öğrenimi tabanlı tespiti
- Tez No: 864680
- Danışmanlar: DOÇ. DR. GÖKHAN ERTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Biyomedikal mühendisliği, Biomedical engineering
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler hastalıklar, küresel ölümün önde gelen nedenlerinden biridir ve gelişmiş tanı araçlarına acil bir ihtiyacı vurgular. Kalp ventriküler kasılmalarının anormal erken tespiti konusunda artan bir ilgi bulunmaktadır. Makine öğrenimi teknikleri, elektrokardiyogram (EKG) sinyallerinin insan kalbinin normal ritimlerini ve anormal ventriküler kasılmalarını ayırt etmek için otomatik analizlerde sağlam derin öğrenme modellerinin geliştirilmesine yardımcı olabilir. Bu tez çalışmasında, biri çift yönlü uzun kısa vadeli belleğe (BiLSTM) dayalı diğeri konvolüsyonel sinir ağlarına dayalı iki farklı derin sinir ağı geliştirilmiştir. Modeller, eğitim veri seti yüzde oranları olan 60%, 70% ve 80% için RMSProp ve ADAM optimizer'ları kullanılarak eğitilmiştir. Veri seti, BIDMC Kalp Yetmezliği Veritabanı'ndan çıkarılmıştır. Bu veri seti, şiddetli kalp yetmezliği olan 15 katılımcının uzun vadeli elektrokardiyogram (EKG) kayıtlarını içermekte olup, toplamda 90588 EKG sırasını temsil etmektedir. Her biri bir kalp atışını temsil eden bu veri seti, iki kategoriden birine etiketlenmiş olarak eklenmiştir: normal ritim veya prematür ventriküler kasılma. Hem BiLSTM hem de CNN tabanlı derin sinir ağları yüksek performanslar sunmaktadır. Ancak, en iyi performans, BiLSTM tabanlı derin sinir ağı, en yüksek doğrulukla (Se= 89.6%-99.4%, Sp= 86.2%-93.9%, Ac= 86.2%-94.0% ve AUC= 0.947-0.983) tespitler sunmaktadır. EKG sinyallerinde kalbin normal kasılmalarını ve prematür ventriküler kasılmalarını ayırt etmede, hem BiLSTM hem de CNN tabanlı derin sinir ağları yüksek performanslar sergilemektedir. Ancak, BiLSTM tabanlı ağ, tam hassasiyet, çok yüksek özgüllük ve çok yüksek doğrulukla üstün tespit performansıyla öne çıkmaktadır. Bu umut verici sonuçlar, ağın gerçek dünya ortamlarında pratik uygulamalarına yol açar ve kardiyak anormallik tespitinin doğruluğunu ve verimliliğini artırma potansiyeline sahiptir. Bu yöndeki devam eden araştırmalar, kardiyovasküler sağlık izleme ve tanıda iyileşme vaat etmektedir.
Özet (Çeviri)
Cardiovascular diseases are a leading cause of global mortality, underscoring the urgent need for advanced diagnostic tools. There has been an increasing interest in early detection of abnormal ventricular contractions of the heart. Machine learning techniques may facilitate the development of robust deep learning models for automated analyses of the electrocardiogram (ECG) signals to distinguish normal rhythms and abnormal ventricular contractions of the human heart. In this thesis work, two different deep neural networks, one based on bidirectional long short-term memory (BiLSTM) and the other based on convolutional neural network (CNN), are developed for the purpose. The models are trained using RMSProp and ADAM optimizers for the training dataset percentages of 60%, 70%, and 80%. The dataset is extracted from the BIDMC Congestive Heart Failure Database, includes long-term ECG recordings from 15 subjects with severe congestive heart failure, and includes a total of 90588 ECG sequence data representing a single heartbeat supplemented with labeling with one of two categories: normal rhythm or premature ventricular contraction. Both BiLSTM and CNN-based deep neural networks offer high performances. However, the best performance is offered by the BiLSTM-based deep neural network with ADAM optimizer. It provides detections with the highest correctness (Se= 89.6%-99.4%, Sp= 86.2%-93.9%, Ac= 86.2%-94.0%, and AUC= 0.947-0.983). In discriminating premature ventricular contractions from normal contractions of the heart from ECG signals, both BiLSTM and CNN-based deep neural networks offer high performances. However, the BiLSTM-based network stands out with its superior detection performance with complete sensitivity, very high specificity, and very high accuracy. The promising results pave the way for the practical application of the network in real-world settings, with the potential to enhance the accuracy and efficiency of cardiac anomaly detection. Continued research in this direction holds promise for improving cardiovascular health monitoring and diagnosis.
Benzer Tezler
- 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
- Makine öğrenme temelli kestirimci bakım ve anomali tespiti ile asansörlerin kondisyonlarının izlenmesi
Monitoring the conditions of elevators with machine learning based predictive maintenance and anomaly detection
SAFA ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAİF BAYIR
- Uzaktan sağlık izleme ve makine öğrenmesi tabanlı kardiyak aritmi tespit sistemi tasarımı
Design of remote health monitoring and machine learning based cardiac arrhythmia detection system
FARUK ENES OĞUZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE BOLAT
- An open-source, machine learning based intrusion detection system
Makı̇na öğrenmesı̇ tabanlı açık kaynak kodlu saldırı tespı̇t sı̇stemı̇
ZEMRE ARSLAN TÜVER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. ENVER ÖZDEMİR
- Comparative study of intrusion detection system using machine learning
Başlık çevirisi yok
MAHMOOD IMAD ABDULKAREEM
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. OSMAN NURİ UÇAN