Makine öğrenimi ve derin öğrenme tabanlı yaklaşımlarla elektrokardiyografi sinyallerinden miyokard enfarktüsün değerlendirilmesi
Machine learning and deep learning based approaches for the evaluation of myocardial infarction from electrocardiography signals
- Tez No: 973489
- Danışmanlar: PROF. DR. AYŞEGÜL GÜVEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Engineering Sciences, Science and Technology
- Anahtar Kelimeler: Elektrokardiyografi, Miyokard Enfarktüsü, Akut Koroner Sendrom, Makine Öğrenmesi, Derin Öğrenme, Sınıflandırma, Electrocardiography, Myocardial Infarction, Acute Coronary Syndrome, Machine Learning, Deep Learning, Classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Miyokard enfarktüsü (ME) ve akut koroner sendromun (AKS) alt tiplerinin doğru ve hızlı bir şekilde sınıflandırılması, erken müdahale ve tedavi sürecinin etkinliği açısından büyük önem taşımaktadır. Elektrokardiyografi (EKG), bu hastalıkların değerlendirilmesinde yaygın olarak kullanılan temel bir yöntemdir; ancak özellikle NSTEMI ve USAP gibi klinik açıdan kritik alt tiplerin ayırt edilmesinde sınırlılıklar bulunmaktadır. Bu bağlamda, bu tez çalışması kapsamında EKG sinyalleri kullanılarak ME ve AKS alt tiplerinin sınıflandırılmasına yönelik makine öğrenmesi ve derin öğrenme tabanlı iki farklı yaklaşım geliştirilmiştir. Birinci yaklaşımda, EKG kayıtları STEMI, NSTEMI, USAP ve Normal olmak üzere dört gruba ayrılmıştır. Bu verilerden zamansal, frekans tabanlı, wavelet dönüşümüne dayalı, morfolojik, lineer olmayan ve kalp hızı değişkenliği parametreleri çıkarılmış; ardından çeşitli makine öğrenmesi algoritmaları ile sınıflandırma işlemleri gerçekleştirilmiştir. İkinci yaklaşımda ise aynı sinyaller ön işleme adımlarının ardından derin öğrenme modellerine aktarılmış; bu kapsamda Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ve Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) katmanlarının birleşiminden oluşan hibrit bir mimari kullanılarak ikili sınıflandırmalar gerçekleştirilmiştir. Çalışmanın sonuçları, geliştirilen yöntemlerin özellikle NSTEMI ve USAP gibi klinik olarak ayırt edilmesi güç alt tiplerin sınıflandırılmasında değerli katkılar sunduğunu göstermektedir. Bu tez, makine öğrenmesi ve derin öğrenme tabanlı modellerin klinik karar destek sistemlerine entegre edilmesi yoluyla kardiyovasküler hastalıkların erken ve güvenilir tanısına yönelik önemli bir adım ortaya koymaktadır.
Özet (Çeviri)
Myocardial infarction (MI) and the accurate and rapid classification of acute coronary syndrome (ACS) subtypes are of great importance for the effectiveness of early intervention and treatment. Electrocardiography (ECG) is a fundamental and widely used method for evaluating these conditions; however, it has limitations, particularly in distinguishing clinically critical subtypes such as NSTEMI and unstable angina pectoris (USAP). In this context, within the scope of this thesis, two different approaches based on machine learning and deep learning were developed for the classification of MI and ACS subtypes using ECG signals. In the first approach, ECG recordings were categorized into four groups: STEMI, NSTEMI, USAP, and Normal. From these data, temporal, frequency-based, wavelet transform-based, morphological, nonlinear, and heart rate variability (HRV) parameters were extracted, followed by classification through various machine learning algorithms. In the second approach, the same signals were subjected to preprocessing steps and then transferred to deep learning models. In this framework, a hybrid architecture combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) layers was employed to perform binary classifications (STEMI–Normal, NSTEMI–Normal, ACS–Normal). The results of this study demonstrate that the proposed methods provide valuable contributions particularly in the classification of clinically challenging subtypes such as NSTEMI and USAP. This thesis presents a significant step toward the early and reliable diagnosis of cardiovascular diseases through the integration of machine learning- and deep learning-based models into clinical decision support systems.
Benzer Tezler
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Cryptocurrency trading based on heuristic guided approach with feature engineering
Öznitelik mühendisliği ile sezgisel kılavuzlu yaklaşıma dayalı kripto ticaret işlemleri
ÇAĞRI KARAHAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Early detection of distributed denial of service attacks
Dağıtık hizmet engelleme saldırılarının erken tespiti
KAĞAN ÖZGÜN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE TOSUN KÜHN
DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA
- Makine öğrenimi tabanlı COVID-19 teşhis ve tahmin sistemi: Çeşitli öğrenme algoritmalarının performans analizi ve ilgili hastalıkların sınıflandırılması
Machine learning-based COVID-19 diagnosis and prediction system: Performance analysis of various learning algorithms and classification of related diseases
AHMED JADDOA ENAD AL-MAMOORI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA AKSU