Tez No	İndirme	Tez Künye	Durumu
276763		Erken ventriküler kasılmalarda ysa tabanlı bir sınıflandırıcının FPGA ile gerçekleştirilmesi / An FPGA implementation of ann-based premature ventricular contraction classifier Yazar:AHMET TURAN ÖZDEMİR Danışman: PROF. DR. KENAN DANIŞMAN Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik Mühendisliği Ana 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 2010 176 s.
Kalp damar hastalıkları hem gelişmiş hem de gelişmemiş ülkelerde, erişkinlerde çeşitli organlarda fonksiyon bozukluklarına sebep olan temel etken ve en yaygın ölüm sebebidir. Dünya Sağlık Örgütü'nün (WHO, World Health Organization) verilerine göre her yıl 17,1 milyon insan kalp hastalıklarına bağlı nedenler sonucunda hayatını kaybetmektedir. Bu ölümlerin birincil sebebi, aritmi olarak isimlendirilen kalpteki elektriksel anormalliklerdir. Tehlikeli kalp bozukluklarının erken teşhisi, kalp hastalıklarının tedavisi ve ani kalp ölümlerinin önlenmesinde oldukça önemlidir. Bu bakımdan ElektroKardiyoGram (EKG) işaretlerinden aritmileri tanıyan otomatik aritmi sınıflandırıcıları erken teşhis adına hayati öneme sahiptir.Son yirmi yıldır EKG işaretleri içerisindeki aritmileri tespit eden teknikler üzerine birçok çalışma yapılmıştır. Yüksek tahmin yeteneğinden dolayı Yapay Sinir Ağları (YSA), Medikal Tanı Sistemlerinde (MTS) en çok kullanılan yöntem olmuştur. Biyolojik sinir ağlarından esinlenerek geliştirilen YSA modeli, paralel mimarisi sayesinde hesaplamalarda oldukça hızlıdır. Fakat literatürde önerilen YSA tabanlı aritmi sınıflandırıcı modelleri, büyük boyutları sebebi ile ancak bilgisayarlarda, güçlü işlemciler üzerinde gerçekleştirilebilmektedir. Gerçek YSA modellerinin paralel donanımlar üzerinde gerçeklemesini mümkün kılmak için ağın girişine uygulanan EKG işaretinin öznitelik sayısı azaltılarak YSA boyutunun küçültülmesi gerekmektedir.Bu tez çalışmasında, mevcut pek çok yazılım tabanlı YSA modeline karşın, taşınabilir bir YSA tabanlı otomatik aritmi sınıflandırıcının tek bir Alan Programlanabilir Kapı Dizileri (FPGA, Field Programmable Gate Arrays) yongası üzerinde donanımsal olarak gerçeklenmesine odaklanılmıştır. Öznitelik çıkarım (boyut azaltma) yöntemi olarak Temel Bileşen Analizi (TBA) kullanılmış, YSA'nın boyutları küçültülmüş ve 8x2x1 boyutlu bir YSA tabanlı aritmi sınıflandırıcı, IEEE 754 32 bit kayan noktalı ve 16 bit sabit noktalı nümerik tanımlalar kullanılarak sırası ile %97.66 ve %96.54 sınıflandırma başarımlarıyla tek bir FPGA yongası üzerinde oluşturulmuştur.
Cardio Vascular Disease (CVD) is one of the major causes of disability in adults as well as the main causes of death in both developed and undeveloped countries, and claiming 17.1 million lives a year according to the World Health Organization (WHO). CVD is the consequence of cardiac arrest and primarily caused by electrical abnormalities of the heart called arrhythmias. Early diagnosis of dangerous heart conditions is very important in treatment heart diseases and preventing sudden cardiac death. Therefore automatic ElectroCardioGram (ECG) arrhythmia classifiers are essential to timely diagnosis.Many studies on recognition of cardiac arrhythmias from ECG using various techniques have been made in the past 20 years. Artificial Neural Network (ANN) is the most widely used tool in Medical Diagnosis Systems (MDS) because of their powerful prediction characteristics. An ANN model is inspired by real biological neural networks, with parallel structure that is potentially fast for computation. However, the suggested ANN architectures in the literature can only be run sequentially, on powerful processors, due to their complex architectures. To enable the implementation of real ANN models on parallel devices, the features of the ECG signal which are applied to the ANN inputs must be reduced in order to reduce ANN size.In this thesis, it is focused on hardware implementation of a mobile ANN based automatic arrhythmia classifier on a single chip Field Programmable Gate Arrays (FPGA) instead of various software models of ANN. Using Principal Component Analysis (PCA) as a feature extractor (size reductor) technique, ANN dimensions are reduced and 8x2x1 sized ANN-based arrhythmia classifier is implemented on a single chip FPGA, both IEEE 754 32 bit floating and 16 bit fixed point numerical representation with 97.66% and 96.54% classification accuracies, respectively.