Tez No	İndirme	Tez Künye	Durumu
477676		Kardiyotokografi işaretlerinin analizi ve makine öğrenmesi teknikleri ile sınıflandırılması / Analysis of cardiotocography signals and classifying with machine learning techniques Yazar:ZAFER CÖMERT Danışman: YRD. DOÇ. DR. ADNAN FATİH KOCAMAZ Yer Bilgisi: İnönü Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2017 196 s.
Kardiyotokografi (KTG) fetal sağlık durumunun belirlenmesi amacıyla gebelik dönemi ve doğum sırasında yaygın şekilde kullanılan bir fetal gözetim tekniğidir. Bir KTG testi, fetal kalp hızı (FKH) ve rahim kasılmalarını (RK) içeren başlıca iki biyofiziksel işaretin eşzamanlı olarak kayıt edilmesiyle elde edilmektedir. Bir gözetim tekniği olarak KTG, düşük pozitif tahmin değeri, yüksek yanıltıcılık oranı, yorumlanmasındaki öznellik, yeniden üretilebilirlik değerindeki tutarsızlık ve yüksek seviyede gözlem içi ve gözlemciler arası anlaşmazlık seviyesi gibi çeşitli problemlere sahiptir. KTG testi 1960'lı yılların sonlarından günümüze, dünya genelinde kliniksel olarak rutin bir şekilde uygulanmasına karşın, bu tanı testinin geçerliliği ve faydaları üzerindeki tartışmalar literatürde hala devam etmektedir. KTG'nin sahip olduğu problemlerin üstesinden gelmek üzere bilgisayar destekli KTG analizi en umut verici yöntem olarak görülmektedir. Tez çalışmasında öncelikle KTG analizi için geleneksel olarak kullanılan morfolojik özellikler dikkate alınmıştır. Aynı zamanda tanı için öncelik arz eden FKH işaretlerinin doğrusal ve doğrusal olmayan özellikleri çıkartılmıştır. Ayrıca, kliniksel açıdan vazgeçilmez olarak kabul edilen FKH değişkenliğini saptamak üzere zaman ve frekans alanında araştırmalar yürütülmüştür. Entropi tahmin edicilerine dayalı doğrusal olmayan analiz gerçekleştirilmiştir. Zaman-frekans alanında, farklı frekans aralıklarına odaklanan ve doku tanımlayıcılarına dayalı yeni bir özellik çıkarma yöntemi önerilmiştir. Bu kapsamda, gri seviyeli eş oluşum matrisi, lokal ikili desen ve bölütleme tabanlı fraktal doku analiz metotları literatüre kazandırılmıştır. Tez sürecinde yapılan çalışmalar neticesinde, KTG işaretlerini morfolojik, doğrusal, doğrusal olmayan, frekans ve zaman-frekans alanlarında analiz edilmesini sağlayan bir yazılım geliştirilmiştir. KTG işaretlerinin normal ve hipoksik olarak sınıflandırılmasını sağlamak üzere yapay sinir ağı, aşırı öğrenme makinesi, destek vektör makinesi, radyal tabanlı fonksiyon ağı gibi çeşitli makine öğrenmesi tekniklerinin kullanılması sağlanmıştır.
Cardiotocography (CTG) is a fetal surveillance technique which is widely used to determine fetal well-being during pregnancy and delivery. A CTG test consists of two biophysical signals which are fetal heart rate (FHR) and uterine contraction (UC) recorded simultaneously. As a surveillance technique, CTG has various problems, such as poor positive prediction value, high false positive rate, subjective of interpretation, inconsistency in reproducibility value and high level of disagreement between intra- and inter-observers. Although CTG has been practiced routinely in clinics since end of the 1960s, the debates on validity and usefulness of this diagnosis test have been carried on still in the literature. The computerized CTG analysis is seen as the most promising method to overcome these drawbacks. In the thesis, the traditionally used morphological features were taken into consideration primarily. At the same time, the linear and nonlinear features of FHR that are prominent indices in terms of diagnosis were extracted. Besides, several studies have been carried out in time and frequency domain to determine FHR variability that is regarded as indispensable part of clinic assessment. Nonlinear analysis based on entropy estimators was performed. In time-frequency field, a novel feature extraction method focusing on different frequency intervals and based on texture descriptors has been proposed. In this context, gray level co-occurrence matrix, local binary pattern, and segmentation fractal texture analysis methods have been added to the literature. As a result of the studies conducted in the thesis process, a software has been developed which enables the analysis of CTG signals in morphological, linear, nonlinear, frequency, and time-frequency fields. Various machine learning techniques, such as artificial neural network, extreme learning machine, support vector machine, radial basis network were employed to provide the classification of CTG signals as normal and hypoxic as well as the performance comparison.