Please use this identifier to cite or link to this item: http://hdl.handle.net/11527/811
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorKorürek, Mehmettr_TR
dc.contributor.authorKaradağ, Abdullahtr_TR
dc.date2009tr_TR
dc.date.accessioned2009-07-08tr_TR
dc.date.accessioned2015-04-21T12:00:33Z-
dc.date.available2015-04-21T12:00:33Z-
dc.date.issued2009-07-09tr_TR
dc.identifier.urihttp://hdl.handle.net/11527/811-
dc.descriptionTez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2009tr_TR
dc.descriptionThesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2009en_US
dc.description.abstractBu çalışmada, kaskad bağlanmış bir dalgacık katmanı ve bir istatistiksel yapay sinir katmanından (“Probabilistik neural network”, PNN) oluşan Adaptive istatistik dalgacık ağının (AİDA,“Adaptive probabilistic wavelet network”) Elektrokardiyagram vurularını sınıflamadaki başarımı, çok bilinen bir sınıflayıcı olan Çok katmanlı almaç (ÇKA, MLP, “ Multi-Layer perceptron”) ile kıyaslanarak ortaya konmaya çalışılmıştır. Ayrıca sistemin başarımını arttırmak maksadıyla giriş parametreleri üzerinde araştırmalar yapılmış ve hem boyut olarak hem de etkinlik olarak giriş parametreleri eniyileştirilmeye çalışılmıştır. Elde edilen giriş parametreleri her iki ağa uygulanarak, kullanılan algoritmadan bağımsız etkileri üzerinde durulmuştur. Bunların yanı sıra kullanılan önişlemlerin de sonuca olan katkıları grafiklerle ortaya konmuştur. Çalışma için kullanılan EKG işaretleri MIT-BIH veri tabanındaki farklı hastalardan alınmıştır. Veri kümesi Normal (N) erken karıncık kasılması (V), erken kulakçık atımı (A), sol dal blok vurusu (L) ve sağ dal blok vurusu (R) aritmilerinden oluşturulmuştur. Eğitim kümesinde her aritmiden 21 vuru, test kümesinde her sınıftan 120 vuru alınmıştır. Yapılan testler sonucunda Dalgacık ağının ortalama duyarlılığı 0.9666, ÇKA’nın ortalama duyarlılığı 0.9550 olarak bulunmuştur. Girişte EKG işaretinin QRS bileşiğine ilave olarak RR aralığının ilave edilmesiyle sınıflama başarımında %18’lik bir iyileştirme yapılmıştır. Bu iyileştirme yapılan çalışmanın en önemli katkısıdır.tr_TR
dc.description.abstractIn this thesis, a cascaded network of wavelets and PNN (Probabilistic Neural Network) is applied as ECG heart beat classifier and is compared to one of the well-known ANN classifiers Multi-layer Perceptron. Moreover, in order to determine the effect of the input vector over the classification performance of both networks, different input vectors in different dimensions have been applied. The ECG data is taken from different subjects at the well-known MIT-BIH heart beat database. There are used Normal (N), premature ventricular contraction (V), atrial premature (A), left bundle branch block (L) and right bundle branch block beats (R) at the training and test set. The training set contains 21 beats per class while the test set contains 120 beats per class. The Wavelet network’s mean sensitivity is 0.9666 while the MLP’s is 0.9550. The result of the performed tests demonstrates that the Wavelet network has a better classification performance over Multi-layer perceptron. The %18 improvement in classificitaion performance is achieved by applying the RR interval together with the QRS complex. This improvement is the main contribution of this work.en_US
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.publisherInstitute of Science and Technologyen_US
dc.rightsİTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır.tr_TR
dc.rightsİTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission.en_US
dc.subjectDalgacık ağlarıtr_TR
dc.subjectİstatistiksel yapay sinir ağıtr_TR
dc.subjectEKGtr_TR
dc.subjectYSAtr_TR
dc.subjectPNNtr_TR
dc.subjectGRNNtr_TR
dc.subjectElektrokardiyagramtr_TR
dc.subjectAritmitr_TR
dc.subjectMorlettr_TR
dc.subjectMeksika Şapkasıtr_TR
dc.subjectÇok Katmanlı Almaçtr_TR
dc.subjectÇKAtr_TR
dc.subjectRR aralığıtr_TR
dc.subjectProbabilistic Neural Networken_US
dc.subjectECGen_US
dc.subjectGeneral Regression Neural Networksen_US
dc.subjectPNNen_US
dc.subjectGRNNen_US
dc.subjectWavelet Networksen_US
dc.subjectArrhytmiaen_US
dc.subjectMultilayer Perceptronen_US
dc.subjectMLAen_US
dc.titleDalgacık Ağlarıyla Elektrokardiyografik Aritmilerin Sınıflandırılmasıtr_TR
dc.title.alternativeElectrocardiogram Arrhytmias Classification Using Wavelet Networksen_US
dc.typeThesisen_US
dc.typeTeztr_TR
dc.contributor.departmentBiyomedikal Mühendisliğitr_TR
dc.contributor.departmentBiomedical Engineeringen_US
dc.description.degreeYüksek Lisanstr_TR
dc.description.degreeM.Sc.en_US
Appears in Collections:Biyomedikal Mühendisliği Lisansüstü Programı - Yüksek Lisans

Files in This Item:
File Description SizeFormat 
9787.pdf608.59 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.