MARC details
| 000 -LEADER |
|---|
| fixed length control field |
09362nam a2200505 i 4500 |
| 001 - CONTROL NUMBER |
|---|
| control field |
200464090 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20250312143358.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2024 tu ab e mmmm 000 0 tur d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200464090 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE BMM YL’24 ÜNL |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Ünlü, Büşra |
| Relator term |
author |
| 9 (RLIN) |
148346 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması / |
| Statement of responsibility, etc. |
Büşra Ünlü ; thesis advisor Osman Eroğul. |
| 246 11 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Classification of arrhythmias based on artificial intelligence from electrocardiography signals |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2024. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xix, 107 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2024. |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Elektrokardiyografi (EKG) sinyallerinde kalbin belirli bir düzende ve düzenli aralıklarla atması sonucu oluşan normal sinüs ritimi dışında gözlenen ritimler aritmi olarak adlandırılır ve atımın bozuklukları normal olmayan bir durumun hatta hayati risklerin göstergesi olabilir. Bu nedenle aritmilerin bulunması ve hangi tür aritmi olduğunun belirlenmesi önemlidir. EKG sinyallerinden elde edilen öznitelikler ile eğitilen makine öğrenmesi modelleri ile aritmilerin sınıflandırılması uzun yıllardır araştırmacılar tarafından ilgi çeken konulardan olmuştur. Bununla birlikte uzun süren ön sinyal işleme adımlarının ve öznitelik çıkarma adımlarının olmadığı derin öğrenme tekniklerinin kullanılması da güncel konular arasındadır. Bu yöntemlerin performanslarının karşılaştırılması ve kullanılan model parametrelerinin belirlenmesi aşamaları önem taşımaktadır. Bu tez çalışmasında, EKG sinyallerinin analizi ile iki farklı ritim sınıflandırma yöntemi geliştirilerek bu yöntemlerin performansı değerlendirilmiştir. İlk yöntem kalp hızı değişkenliği analizi ile elde edilen özniteliklerle eğitilen makine öğrenmesi modellerinin kullanıldığı sınıflandırma yöntemidir. Sinyal ön işleme ve öznitelik çıkarımı olmadan EKG sinyallerinin spektogram ve skalogram görüntülerinin evrişimsel sinir ağlarına girdi olarak verilerek sınıflandırılması ikinci yöntemdir. Bu iki sınıflandırma yönteminin performans sonuçları karşılaştırılmıştır. Çalışmada MIT-BIH Aritmi Veri Tabanı kullanılmıştır. Çalışmada normal sinüs ritmi, atriyal fibrilasyon, sol dal bloğu, sağ dal bloğu, ventriküler begemini, pacemaker ritim sınıflandırılan ritimlerdir. Kalp hızı değişkenliği analizi tabanlı özniteliklerle gerçekleştirilen sınıflandırmada öncelikle sinyalde gürültü giderme işlemi uygulanmıştır. Filtrelenmiş sinyaller üzerinden R dalgası tepe noktalarının bulunması gerçekleştirilmiştir. R dalgası tepe noktaları ile kalp hızı değişkenliği analizi yapılmış ve öznitelikler çıkarılmıştır. Sonrasında ise makine öğrenmesi modelleri bu öznitelikler ile eğitilmiş ve model performansları değerlendirilmiştir. Tez kapsamında Karar Ağacı, Destek Vektör Makinesi, K-En Yakın Komşu, Topluluk Öğrenme modelleri çalışılmıştır. Derin öğrenme, evrişimsel sinir ağları tabanlı sınıflandırmada ise EKG sinyallerinde gürültü giderme işlemi yapılarak spektogram ve skalogram görüntüleri elde edilmiştir. Bu görüntüler farklı sinir ağlarına girdi olarak verilmiştir. Tez kapsamında GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılan evrişimsel sinir ağlarıdır. Farklı sinir ağlarının performansının skalogram ve spektogram görüntüleri ile eğitildiğinde nasıl performans gösterdiği belirlenmiştir. Bu karşılaştırmaya ek olarak öznitelik çıkartma ve makine öğrenmesi modelleri ile gerçekleştirilen ritim sınıflandırma performansının derin öğrenme modelleri kullanılarak gerçekleştirilen sınıflandırma performansı karşılaştırılmıştır. Kalp hızı değişkenliği analizinde iki dakikalık sinyal uzunluğu ile gerçekleştirilen aritmi sınıflandırmasında en yüksek doğruluk değeri %87,91 ile topluluk öğrenme modeli ile elde edilmiştir. Beş dakikalık sinyal uzunluğunda ise destek vektör makinesi ile %90,48 doğruluğa ulaşılmıştır. Spektogram çıktıları kullanılarak gerçekleştirilen sınıflandırmada maksimum doğruluk AlexNet ile %91,90'dır. Skalogram çıktıları ile gerçekleştirilen sınıflandırmada ise maksimum doğruluk GoogleNet modeli ile %92,85 olarak elde edilmiştir. En yüksek sınıflandırma performansı skalogram görüntüleri ve evrişimsel sinir ağları kullanılarak elde edilmiştir. Gözlemlenen bulgular, değerlendirilen bu modellerin EKG sinyallerinde aritmilerin sınıflandırılmasında yüksek performans verdiğini göstermektedir. |
|
|---|
| Summary, etc. |
Heart rhythms that differ from the normal sinus rhythm occurs as a result of the heart beating in a certain order and at regular intervals in electrocardiography (ECG) signals, are called arrhythmias. Irregularities in the rhythm can be an indicator of abnormal condition or even vital risks. Consequently, the detection and accurate classification of arrhythmias are critically important. The classification of arrhythmias using machine learning models trained with features obtained from ECG signals has been a subject of interest for researchers for many years. However, the application of deep learning techniques which eliminate the need for signal processing and feature extraction steps is also prominent research topic. Comparing the performance of these methods and determining the model parameters are essential for better results. In this thesis, two different rhythm classification methods are developed with the analysis of ECG signals and the performance of these methods are evaluated. The first method involves the rhythm classification with using machine learning models trained with features obtained from Heart Rate Variability (HRV) analysis. The second method classify rhythms by spectrogram and scalogram images as input to Convolutional Neural Networks (CNNs) without requiring signal preprocessing and feature extraction. The performance results of these two classification methods were compared. MIT-BIH Arrhythmia Database is used in the study. Normal Sinus Rhythm (N), Atrial Fibrillation (AFIB), Left Bundle Branch Block (LBBB), Right Bundle Branch Block (RBBB), Ventricular Bigeminy (B), Pacemaker Rhythm (P) are classified. In the classification performed with HRV-based features, firstly the noise removal process is applied to the signal. R wave peaks are detected on the filtered signals. HRV analysis is performed with R wave peaks and features are extracted. These features are then used to train machine learning models, including Decision Trees (DT), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Ensemble Learning methods. In deep learning, CNN-based classification, spectrogram and scalogram images are generated from the denoised ECG signals. These images are then input into CNN architectures such as GoogleNet, ResNet-50, AlexNet, and SqueezeNet to assess their classification performance. It is determined how the performance of different neural networks performed when trained with scalogram and spectogram images. In addition, the rhythm classification performance performed with feature extraction and machine learning models is compared with the classification performance performed using deep learning models. In the HRV analysis, the highest accuracy value in arrhythmia classification performed with a two-minute signal length is obtained with the ensemble learning model with 87.91%. In the five-minute signal length, 90.48% accuracy is achieved with the SVM. In the classification performed using spectrogram images, the maximum accuracy is 91.90% with AlexNet. In the classification performed with scalogram images, the maximum accuracy is obtained as 92.85% with the GoogleNet. These findings demonstrate that scalogram-based CNN models achieve superior classification performance, highlighting their potential for accurately detecting and classifying arrhythmias in ECG signals. The observed findings show that these evaluated models provide high performance in classifying arrhythmias in ECG signals. |
| 650 #7 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
Tezler, Akademik |
| Source of heading or term |
etuturkob |
| 9 (RLIN) |
32546 |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Elektrokardiyografi |
|
|---|
| Uncontrolled term |
Kalp hızı değişkenliği |
|
|---|
| Uncontrolled term |
Aritmi sınıflandırılması |
|
|---|
| Uncontrolled term |
Makine öğrenmesi |
|
|---|
| Uncontrolled term |
MIT-BIH aritmi veri tabanı |
|
|---|
| Uncontrolled term |
Derin öğrenme |
|
|---|
| Uncontrolled term |
Evrişimsel sinir ağları |
|
|---|
| Uncontrolled term |
Electrocardiography |
|
|---|
| Uncontrolled term |
Heart rate variability |
|
|---|
| Uncontrolled term |
Arrhythmia classification |
|
|---|
| Uncontrolled term |
Machine learning |
|
|---|
| Uncontrolled term |
MIT-BIH arrhythmia database |
|
|---|
| Uncontrolled term |
Deep learning |
|
|---|
| Uncontrolled term |
Convolutional neural networks |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Eroğul, Osman |
| Relator term |
advisor |
| 9 (RLIN) |
126315 |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
