Tez No	İndirme	Tez Künye	Durumu
700167		Normalize edilmiş kalp hızı değişkenliği analizi ile paroksismal atriyal fibrilasyon tespiti / Detection of paroxismal atrial fibrilation with normalized heart rate variability analysis Yazar:MURAT SÜRÜCÜ Danışman: PROF. DR. RESUL KARA ; DOÇ. DR. YALÇIN İŞLER Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Atriyal fibrilasyon = Atrial fibrillation ; Derin öğrenme = Deep learning ; Makine öğrenmesi = Machine learning ; Normalleştirme = Normalization ; Yapay zeka = Artificial intelligence ; Örüntü tanıma = Pattern recognition	Onaylandı Doktora Türkçe 2021 144 s.
Paroksismal Atriyal Fibrilasyon (PAF), en yaygın kalp ritmi bozukluğu türlerinden biri olan Atriyal Fibrilasyon'un başlangıç aşamasıdır. PAF doğrudan ölümcül olmasa bile, ölümcül diğer rahatsızlıkları tetiklemekte ve inme riskini artırmaktadır. Üstelik hasta PAF atağı geçirdiği sırada, kendisinin ve başkalarının hayatını etkileyen bir aktivite içinde olabilir. Bu nedenle, hem PAF'ın mümkün olduğunca erken teşhis edilerek tedaviye başlanması hem de PAF atağı geçirmeden önce hastanın güvenli bir konuma geçmesi önemlidir. Bu çalışmada, her iki görev için geleneksel makine öğrenmesi yöntemleri ve derin öğrenme yöntemleri çalışılmıştır. Bu tez çalışmasında, açık erişimli olup 49 sağlıklı bireye, yakın zamanda atak geçirmeyen 24 PAF hastasına ve yakın zamanda atak geçirecek olan 25 PAF hastasına ait 30 dakikalık EKG verileri kullanılmıştır. Bu EKG verilerinden elde edilen Kalp Hızı Değişkenliği (KHD) verilerinin yanısıra kalp hızı normalizasyonu uygulanan KHD (NKHD) verileri elde edilmiştir. KHD ve NKHD verileri için yaygın kullanılan zaman alanı, frekans alanı, dalgacık dönüşümü ve doğrusal olmayan öznitelikler hesaplanmıştır. Bu özniteliklere farklı öznitelik normalizasyonu yöntemleri uygulanmıştır. Bu şekilde oluşturulan altı farklı öznitelik setine genetik algoritma ile öznitelik seçim işlemi uygulanmıştır. Çıkarılan ve seçilen öznitelikler k yakın komşu, çok katmanlı algılayıcı, radyal tabanlı çekirdek fonksiyonuna sahip destek vektör makinesi ve evrişimli sinir ağı temelli derin öğrenme sınıflandırıcı algoritmalarının girişlerine uygulanmıştır. Sonuç olarak, z-skor normalizasyonu uygulanmış NKHD özniteliklerinin derin öğrenme algoritması ile hem PAF teşhisinde hem PAF atağı erken tespitinde %100 sınıflandırıcı başarımına ulaşılmıştır. Üstelik literatürde derin öğrenme ham veri üzerinde uygulanıyor olsa da, KHD analizi gibi kendine özgü öznitelik çıkarma yöntemi bulunan problemlerde, öncelikle öznitelik çıkarmanın faydalı olacağı görülmüştür.
Paroxysmal Atrial Fibrillation (PAF) is the initial stage of Atrial Fibrillation, one of the most common arrhythmia types. Although PAF is not directly fatal, it triggers other deadly conditions and increases the risk of stroke. Moreover, during the PAF episode, the patient may be in an action that affects his and others' lives. Therefore, both the early diagnosis to start treatment immediately and the prediction of attacks to warn the patient to take a safe place are essential. In this study, traditional machine learning methods including deep learning were evaluated for both tasks. In this thesis, an open-access database that consists of 30-minute ECG data from 49 healthy individuals, 24 PAF patients with no recent attack, and 25 PAF patients with the recent attack was used. Heart Rate Variability (HRV) data and heart rate normalized HRV (NHRV) data were obtained from these ECGs. Commonly used time-domain, frequency-domain, wavelet transform, and nonlinear features were extracted for both data. Feature normalization methods were also utilized for these features. The genetic algorithm chose the more valuable features. Extracted and selected features are applied to inputs of k-nearest neighbors, multi-layer perceptron, support vector machines with radial basis kernel function, and convolutional neural-network-based deep learning classifiers. As a result, both tasks resulted in 100% classifier performances with the deep learning algorithm using NHRV features with z-score normalization. Moreover, although deep learning runs with raw data in the literature, feature extraction may be efficient in problems that require specific feature extraction methods such as HRV analysis.