Dalgacık Ağlarıyla Elektrokardiyografik Aritmilerin Sınıflandırılması

dc.contributor.advisor Korürek, Mehmet tr_TR
dc.contributor.author Karadağ, Abdullah tr_TR
dc.contributor.department Biyomedikal Mühendisliği tr_TR
dc.contributor.department Biomedical Engineering en_US
dc.date 2009 tr_TR
dc.date.accessioned 2009-07-08 tr_TR
dc.date.accessioned 2015-04-21T12:00:33Z
dc.date.available 2015-04-21T12:00:33Z
dc.date.issued 2009-07-09 tr_TR
dc.description Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2009 tr_TR
dc.description Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2009 en_US
dc.description.abstract Bu 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.abstract In 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.description.degree Yüksek Lisans tr_TR
dc.description.degree M.Sc. en_US
dc.identifier.uri http://hdl.handle.net/11527/811
dc.publisher Fen Bilimleri Enstitüsü tr_TR
dc.publisher Institute of Science and Technology en_US
dc.rights İTÜ 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.rights İTÜ 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.subject Dalgacık ağları tr_TR
dc.subject İstatistiksel yapay sinir ağı tr_TR
dc.subject EKG tr_TR
dc.subject YSA tr_TR
dc.subject PNN tr_TR
dc.subject GRNN tr_TR
dc.subject Elektrokardiyagram tr_TR
dc.subject Aritmi tr_TR
dc.subject Morlet tr_TR
dc.subject Meksika Şapkası tr_TR
dc.subject Çok Katmanlı Almaç tr_TR
dc.subject ÇKA tr_TR
dc.subject RR aralığı tr_TR
dc.subject Probabilistic Neural Network en_US
dc.subject ECG en_US
dc.subject General Regression Neural Networks en_US
dc.subject PNN en_US
dc.subject GRNN en_US
dc.subject Wavelet Networks en_US
dc.subject Arrhytmia en_US
dc.subject Multilayer Perceptron en_US
dc.subject MLA en_US
dc.title Dalgacık Ağlarıyla Elektrokardiyografik Aritmilerin Sınıflandırılması tr_TR
dc.title.alternative Electrocardiogram Arrhytmias Classification Using Wavelet Networks en_US
dc.type Thesis en_US
dc.type Tez tr_TR
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
9787.pdf
Boyut:
608.59 KB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
3.14 KB
Format:
Plain Text
Açıklama