Tez No	İndirme	Tez Künye	Durumu
482566		Makine öğrenmesi teknikleri ile aritmi tespiti ve yeni öznitelikler ile başarımın artırılması / Arrhythmia detection with machine learning techniques and increase the classification performance using new features Yazar:YASİN KAYA Danışman: YRD. DOÇ. DR. HÜSEYİN PEHLİVAN Yer Bilgisi: Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Aritmi dedeksiyonu = Arrhythmia detection ; Aritmi-kardiyak = Arrhythmia-cardiac ; Kardiyak sinyalleri = Cardiac signals ; Makine öğrenmesi yöntemleri = Machine learning methods ; İşaret işleme = Signal processing	Onaylandı Doktora Türkçe 2017 187 s.
Kardiyak aritmiler kalp hastalıklarının en önemli göstergesinden bir tanesidir. Aritmiler kalbin, iletim, atım oranı veya elektriksel aktivitesinde ortaya çıkabilecek aksamalardan kaynaklanmaktadırlar. Erken karıncık kasılması (EKK) ise ektopik kalp vuruları ile ortaya çıkan en yaygın kardiyak aritmilerinden biridir. Aritmilerin algılanması kalple ilgili olabilecek problemlerin önceden tahmininde önemli rol oynamaktadır. Bu çalışmada ilk olarak işarete ait zaman serilerini kullanarak EKK vurusunun sınıflandırılması gerçekleştirilmiştir. Bir vuruluk işaretin zaman serisine ek olarak çeşitli boyut indirgeme algoritmalarının performansa etkisi araştırılmıştır. Ek olarak çalışma daha geniş kapsamda aritmi türlerini sınıflandıracak şekilde genişletilmiş ve testler gerçekleştirilmiştir. Bu aritmilerin sınıflandırılması için bir vuruluk işarete ait yeni öznitelikler çıkarılmıştır. Öznitelikler, boyut indirgeme algoritmaları kullanılarak daha küçük boyutlara düşürülmüştür. Deneyler, k-en yakın komşu algoritması, yapay sinir ağları, karar ağaçları ve destek vektör makinesi sınıflandırıcıları kullanılarak gerçekleştirilmiştir. Bulgular, doğruluk, duyarlılık, kesinlik, özgünlük ve çalışma süreleri bakımından değerlendirilmiştir. Çalışmada yapılan testlerde kullanılan veriler bu alanda standart hale gelmiş olan MIT-BIH aritmi veritabanından alınmıştır.
Cardiac arrhythmia is one of the most important indicators of heart disease. Heart arrhythmias are caused by any disruption in the regularity, rate, or transmission of the cardiac electrical impulse. Premature ventricular contractions (PVCs) are a common form of cardiac arrhythmia caused by ectopic heartbeats. The detection of arrhythmias by means of ECG (electrocardiogram) signals is important for the prediction of possible heart failure. This study was first focused on PVC classification using time series of ECG signal. Moreover, the performance effects of several dimension reduction approaches were also tested. In addition, the work is extended to classify more common arrhythmia types. Statistical features are calculated from one beat signal for the classification. Feature size were reduced to a lower size using size reduction algorithms. Experiments were carried out using well-known machine learning methods, including neural networks, k-nearest neighbor, decision trees, and support vector machines. Findings were expressed in terms of accuracy, sensitivity, specificity, selectivity and running time. The data used in the tests in this study were taken from the MIT-BIH arrhythmia database that has become the standard in this area.