Tek bir zamanla-değişen spektral nitelik kullanılarak kalp seslerinin hastalık tanısı amaçlı sınıflandırılması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Kardiyovasküler hastalıklar (KVH) son yıllarda küresel ölümlerin en yüksek bölümünü oluşturmaktadır. Kardiyak hastalıklardan kaynaklanan ölüm oranını azaltmak için hemen uzun vadeli çözümler bularak bu sorunu küresel olarak ele alma zorunluluğu ortaya çıkmaktadır. KVH tanısı için otomatik kardiyak oskültasyon sistemleri aracılığıyla kalp sesi analizi alternatif bir tanı yöntemi olarak ele alınabilir. Bu teknik non-invaziv, maliyet açısından ucuz, verimli ve tanı açısından umut vericidir.Uygun nitelik çıkarma tekniklerinin ve sınıflandırıcıların seçimi, kalp ses analizinde çok önemlidir. Bu çalışma temel olarak şu konulara odaklanmaktadır: (1) Hızlı Fourier Dönüşümü (FFT) ve Özbağlanımlı (AR) Model kullanılarak kalp sesinden nitelik çıkarımı ve (2) SVM ve K-NN gibi makine öğrenme yöntemleri ve 1-D CNN ve LSTM gibi derin öğrenme yöntemleri kullanılarak çıkarılan niteliklerin sınıflandırılması. Tezde ikili sınıflamanın yanı sıra çok sınıflı sınıflandırma da ele alınmış ve sınıflandırıcıların performansları ilgili performans metrikleri yardımı ile doğrulanmıştır.AR yönteminden elde edilen niteliklerin her bir sınıflandırıcı için FFT yönteminden elde edilen niteliklere göre daha iyi sonuçlar verdiği gözlenmiştir. İkili sınıflandırma için, K-NN sınıflandırıcısı, AR nitelik vektörüyle %99.60 doğrulukla en iyi sonucu vermiştir. Çok-sınıflı sınıflandırma için, 1-D CNN sınıflandırıcısı, AR nitelik vektörüyle %97.84 doğrulukla en iyi sonucu vermiştir. Ele alınan ağırlık merkezi frekansının gürbüz olduğu ve AR spektral analiz yöntemiyle gerçeklendiği durumda kalp seslerinin etkin bir şekilde sınıflandırılmasına son derece uygun olduğu sonucuna varılmıştır.Anahtar Kelimeler: Kalp sesleri, spektral kestirme, makine öğrenmesi, derin öğrenme. Cardiovascular diseases (CVDs) account for the highest portion of global deaths in recent years. There is an urgency to globally address this problem by finding out immediate as well as long term solutions to reduce the mortality rate due to cardiac diseases. A cardiac auscultation aided with automatic heart sound analysis can be taken as an alternative for CVDs diagnosis. This technique is non-invasive, efficient, and less expensive.The selection of suitable feature extraction techniques and classifiers is very critical in heart sound analysis. This study mainly focuses on: (1) feature extraction from the heart sound using Fast Fourier Transform (FFT) and Autoregressive (AR) Modeling and (2) classification of the extracted features using state-of-art machine learning: SVM and K-NN and deep learning classifiers: 1-D CNN and LSTM. Both binary classification and multi-class classification are performed, and the performances of the classifiers are validated with the help of relevant performance measures.The features obtained from AR method have outperformed the results from FFT methods for all classifiers included in the study. For binary classification, K-NN classifier performed the best with the accuracy of 99.60% with AR feature vector. And for multi-class classification, 1-D CNN classifier performed the best with the accuracy of 97.84% with AR feature vector. It can be concluded that the extracted centroid frequency is found to be robust and is a suitable feature for efficient heart sound classification when implemented with AR modelling.Keywords: Cardiac sounds, spectral estimation, machine learning, deep learning.
Collections