| dc.contributor.advisor | Fidan,Uğur | |
| dc.contributor.author | Zığarlı,Hatice Kübra | |
| dc.date.accessioned | 2019-05-17T14:18:55Z | |
| dc.date.available | 2019-05-17T14:18:55Z | |
| dc.date.issued | 2018 | |
| dc.identifier.uri | http://hdl.handle.net/11630/5900 | |
| dc.description | According to the World Health Organization (WHO), cardiovascular diseases caused about 17,1 million people to lose their lives in 2012 worldwide. It is estimated that this number will reach 22,2 million by 2030. According to the cause of death statistics for the Turkey Statistical Institute in 2016, our country circulatory system caused 162 876 deaths had occurred. Among the causes of death, circulatory system diseases are the leading cause with 39.8%. In this study, it is aimed to develop a physician assisted specialist system in order to detect coronary artery occlusions in early stage and decrease myocardial infarction (MI) risk by applying digital signal processing and artificial intelligence techniques on 12 lead electrocardiogram (ECG) signals.
MI, which means that part of the heart muscle is necrosis, the formation of cholesterol and fat plaques on the inner walls of the MI coronary arteries results in a region of the myocardium that can not be adequately fed to the bloodstream. The diagnosis of MI is based on changes in typical chest pain, ECG, and plasma enzymes. The initial findings of necrosis beginning within the first 40 minutes after the narrowing and occlusion of the heart vessels can be followed by changes in the ECG. Depression or elevation of the ST segment in the ECG reflects the infarction. In the study, different heart rate, amplitude and ECG signals with ST segment elevation/depression were recorded with different infarction severity and localization for MI early diagnosis and infarction localization. 12 channel ECG signals were normalized and power spectral density values were obtained with Welch Method. The first 15 parameters of the power spectral density are specified as the feature vector. The attribute vector is taken as the input parameters of the artificial neural network. The power spectral density values of 340 12-channel ECG data were used for learning in the artificial neural network and the network was tested with 60 data that were not introduced to the network. These 60 test data classified 99.85% correctly by the artificial neural network. The completed artificial neural network was tested with a total of 1600 data sets, 200 normal for each infarct location (Anterolateral, Anteroseptal, Anterobasal, Posteroinferior, Posteroseptal, Posterolateral and Posterobazal) and 200 for normal ECG data from the scenarios formed from normal, ST segment elevation and ECG signals with collapsed ECG signals. As a result of the test, 1600 data sets were successfully classified with 99.94% success. | en_US |
| dc.description.abstract | Dünya Sağlık Örgütü (WHO) verilerine göre kalp-damar hastalıkları 2012 yılında yaklaşık 17,1 milyon kişinin yaşamını yitirmesine neden olmuştur. Bu sayının 2030 yılında 22,2 milyona ulaşacağı tahmin edilmektedir. Türkiye İstatistik Kurumu’nun (TÜİK) 2016 yılına ilişkin ölüm nedeni istatistiklerine göre ülkemizde dolaşım sistemi kaynaklı 162 876 ölüm gerçekleşmiştir. Ölüm nedenleri arasında dolaşım sistemi kaynaklı hastalıklar %39,8 ile ilk sırada gelmektedir. Bu çalışma ile 12 derivasyon elektrokardiyogram (EKG) işaretleri üzerinde sayısal işaret işleme ve yapay zekâ teknikleri uygulanarak koroner arter tıkanıklarını erken dönemde tespit etmek ve miyokard infarktüsü (Mİ) riskini azaltmak amacıyla hekime yardımcı bir uzman sistemin geliştirilmesi hedeflenmektedir.
Kalp kasının bir kısmının nekroze olmasını ifade eden Mİ, koroner arterlerin iç duvarlarında kolesterol ve yağ plaklarının oluşması sonucu miyokardın bir bölgesinin yeterli derecede kanla beslenememesi sonucu meydana gelir. Mİ tanısı tipik göğüs ağrısı, EKG ve plazma enzimlerindeki değişiklikler temel alınarak konulur. Kalp damarlarının daralması ve tıkanmasından sonraki ilk 40 dk. içinde oluşan doku ölümünün ilk bulguları, EKG’deki değişiklikler ile izlenebilmektedir. EKG’deki ST segmentinin çökmesi veya yükselmesi infarktüsü yansıtır. Çalışmada Mİ erken tanı ve infarktüs lokalizasyon tespiti için öncelikle farklı infarktüs şiddet ve lokalizasyonlarına sahip, farklı kalp atış hızı, genlik ve ST segment yükselme/çökmeli EKG işaretleri kaydedilmiştir. 12 kanal EKG işaretleri normalize edilmiş ve Welch Metodu ile güç spektral yoğunluk değerleri elde edilmiştir. Güç spektral yoğunluğunun ilk 15 parametresi öznitelik vektörü olarak belirlenmiştir. Öznitelik vektörü yapay sinir ağının giriş parametreleri olarak alınmıştır. 340 adet 12 kanallı EKG verisinin güç spektral yoğunluk değerleri yapay sinir ağında öğrenme için kullanılmış ve ağa tanıtılmamış olan 60 veriyle de ağ test edilmiştir. Bu 60 test verisi yapay sinir ağı tarafından %99,85 doğru sınıflandırılmıştır. Eğitimi tamamlanan yapay sinir ağı normal, ST segment yükselme ve çökmeli EKG işaretlerinden oluşturulan senaryolardan her bir infarktüs lokalizasyonu (Anterolateral, Anteroseptal, Anterobazal, Posteroinferior, Posteroseptal, Posterolateral ve Posterobazal) için 200’er adet, normal EKG verisi için 200 adet olmak üzere toplamda 1600 veri seti ile test edilmiştir. Yapılan test sonucunda 1600 veri seti %99,94 başarı ile doğru sınıflandırılmıştır. | en_US |
| dc.language.iso | tur | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Miyokard İnfarktüsü, EKG, Sinyal İşleme, Yapay Sinir Ağı, Sınıflandırma | en_US |
| dc.title | Stenozlu Koroner Artere Bağlı İnfarktüs Lokalizasyonunun Yapay Zekâ Teknikleri İle Belirlenmesi | en_US |
| dc.title.alternative | Determınatıon of Stenotıc Coronary Artery Infarctıon Localızatıon Wıth Artıfıcıal Intellıgence Technıques | en_US |
| dc.type | masterThesis | en_US |
| dc.department | Afyon Kocatepe Üniversitesi, Fen Bilimleri Esntitüsü | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.endpage | 91 | en_US |
| dc.relation.publicationcategory | Tez | en_US |
