Tez No İndirme Tez Künye Durumu
463655
A window-based characterization method for biophysical time series / Biyofiziksel zaman serileri için pencere tabanlı niteleme yöntemi
Yazar:DENİZ KATIRCIOĞLU
Danışman: PROF. DR. NAZİFE BAYKAL
Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Sağlık Bilişimi Ana Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Biyofizik = Biophysics ; Kardiyoloji = Cardiology
Dizin:Aksiyon potansiyelleri = Action potentials ; Elektrokardiyografi = Electrocardiography
Onaylandı
Doktora
İngilizce
2017
118 s.
Bu tezde, WTC adında, benzerlik puanı tabanlı gürbüz bir zaman serisi niteleme yöntemi önerilmektedir. WTC, etkinlik alanı kullanıcıları tarafından yorumlanabilir sonuçlar üretir. Kayda değer düşüklükte hesaplama karmaşıklığına sahip olması sebebiyle de, yoğun örneklenmiş ve kalabalık zaman serisi veri kümeleri için uygundur. WTC, insan kardiyomiyositlerinden edinilen özel mülkiyetli bir aksiyon potansiyeli zaman serisi veri kümesine ve genel erişime açık, üç adet prekordiyal derivasyondan oluşan bir EKG veri kümesine uygulanmıştır. Sonrasında WTC, sınıflandırma doğruluğu ve hesaplama karmaşıklığı açısından, şekilcik dönüşümü ve bu dönüşümün hızlandırılmış bir türevi olan hızlı şekilcik dönüşümü metotlarıyla karşılaştırılmıştır. Sonuç olarak, WTC'nin şekilcik tabanlı alternatiflerine göre kayda değer düşüklükte hesaplama karmaşıklığıyla beraber nispeten yüksek sınıflandırma performansı elde ettiği gösterilmiştir. Niteleme yeteneği sayesinde, WTC, tıbbi uzmanların yeni zaman serisi veri kümelerinde tanımlayıcı ortak eğilimleri incelemesini kolaylaştırma potansiyeline sahiptir.
In thesis, we propose a robust similarity score-based time series characterization method, termed as Window-based Time series Characterization (WTC). Specifically, WTC generates domain-interpretable results and involves remarkably low computational complexity thereby rendering itself useful for densely sampled and populated time series datasets. In this study, we apply WTC to a proprietary action potential (AP) time series dataset on human cardiomyocytes and three precordial leads from a publicly available electrocardiogram (ECG) dataset. We, then, compare WTC with shapelet transform and fast shapelet transform (which constitutes an accelerated variant of the former), in terms of predictive accuracy and computational complexity. The results indicate that WTC achieves a slightly higher classification performance with significantly lower execution time when compared to its shapelet-based alternatives. With respect to its characterization capability, WTC has a potential to enable medical experts to explore definitive common trends in novel datasets.