Tez No	İndirme	Tez Künye	Durumu
360554		Yapay bağışıklık sistemine dayalı yeni bir aritmi sınıflama tekniği / A new arrhythmia classification technique based on artificial immune system Yazar:ZİYNET PAMUK Danışman: YRD. DOÇ. DR. MEHMET RECEP BOZKURT Yer Bilgisi: Sakarya Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik ve Elektronik Mühendisliği Bölümü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı / Elektronik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora Türkçe 2014 113 s.
Aritmilerin sınıflandırılması işleminde elektrokardiyogram (EKG) kayıtlarının incelenmesine yönelik birçok çalışma mevcuttur. Bu çalışmalar genel olarak ya EKG kayıtlarından şekilsel özniteliklerin veya frekans alanındaki katsayılardan oluşan özniteliklerin sınıflandırılması şeklinde yapılmıştır. Literatürde birçok çalışma olmasına rağmen, araştırmacılar farklı aritmi türlerini sınıflandırmak için farklı öznitelikler, sınıflandırıcılar, eğitim ve test kümeleri kullanmaktadırlar. Çalışmaların sonucunda hangi öznitelik kullanılarak, hangi aritmi türünde hangi sınıflandırıcıların daha iyi sonuçlar verdiğini saptamak zordur. Bu tez çalışmasında amaç, zaman ve frekans alanı özniteliklerinden oluşan birçok farklı öznitelik grubu kullanılarak, Yapay Bağışıklık Sistemi'ne (YBS) dayalı yeni bir aritmi sınıflama tekniği geliştirmektir. Ek olarak, YBS'nin standart Klonlama Seçim Algoritması (KSA) orijinal adıyla Clonal Selection Algorithm (CSA) ve diğer sık kullanılan YSA ile sınıflandırma işlemleri yapıp, bu tez çalışması kapsamında geliştirilen Koşul Tabanlı Klonlama Seçim Algoritmasını (KT-KSA) mukayese etmektir. Bu tez kapsamında hem yeni geliştirilen algoritmanın güvenilirliği hem de hangi özniteliklerin daha iyi sonuçlar verdiği araştırılmıştır. Ayrıca 6 farklı sınıflandırıcı ve 15 farklı öznitelik grubu kullanıldığından dolayı hangi sınıflandırıcıların hangi öznitelik gruplarında nasıl bir başarı elde ettiği de ortaya çıkmıştır. Çalışma sonuçları ROC tabloları ve hata matrisi tablolarında verilmiş olup, ortalama hassasiyet tablosunun grafiğine göre KT-KSA'nın standart KSA'dan daha yüksek bir başarım elde ettiği açıkça görülmektedir. Ayrıca hem zaman hem de frekans özniteliklerinin birlikte kullanımının tüm sınıflandırıcılarda başarımı arttırdığı da ortaya çıkarılmıştır.
There are many studies on examining the electrocardiogram (ECG) records in the classification of the arrhythmia. These studies have generally been performed as classifications of the morphological features or as classifications of the coefficients in the frequency field of the ECG records. Although there are many studies in the literature, researchers have been using features, classifiers and education-testing sets to classify different arrhythmia. Right at this point, it is difficult to determine which features and classifiers should be used to give better results in which arrhythmia types. Aim of this thesis, a new arrhythmia classification technique based on AIS has been developed and tested by using many different feature groups that have been formed from time and frequency fields. The algorithm has been called as CB-CSA. Moreover, CSA and within ANN which are frequently used as arrhythmia classifiers, have been used to make comparisons. It has been observed that the developed CB-CSA gives better results when compared to other algorithms. Both reliability of new developed algorithm and give better results of which attributes was investigated in this thesis. Also set of 6 different classifiers and 15 different attributes which are utilized in the attribute group of classifiers, which has also emerged as a success how. And, how a success was obtained in which feature groups and in which classifiers has emerged owing to using 6 different classifiers and 15 different feature groups. The study results are given in ROC tables and error matrix tables. According to line chart of overall average sensitivity table, it becomes obvious that the suggested CB-CSA gives better results than the classical CSA. Moreover, it is also clear that combined use of both time and frequency attributes, each classifier gives better results when compared with the other feature groups.