Yazar "Gündüz, Ali Fatih" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Heart Sound Classification for Murmur Abnormality Detection Using an Ensemble Approach Based on Traditional Classifiers and Feature Sets
    (Ali KARCI, 2020) Gündüz, Ali Fatih; Karcı, Ali
    Abstract— Phonocardiography (PCG) is a method based on examination of mechanical sounds coming from heart during its regular contraction/relaxation activities such as opening and closing of the valves and blood turbulence towards vessels and heart chambers. The heart sounds in some pathological cases contains a noise called as heart murmurs. Thanks to auscultation and investigation of the heart sounds, many cardiac disorders can be a preliminarily diagnosed. Today there are high technology tools to record those sounds in electronic environment and enable us to analyze them in detail. The constraints such as human’s limited audible range, environment noise and inexperience of physicians can be overcome by the use of those tools and development of state-of-art signal processing and machine learning methods. There are possible benefits of those analyses ranging from its use at home-care units to rural areas where it is difficult to consult experienced physicians. In this study we examined heart sounds and classified them as normal or abnormal. Features of heart sounds are extracted by using Discrete Wavelet Transform (DWT), Mel-Frequency Cepstral Coefficients (MFCC) and time-domain morphological characteristics of the signals. Those features are used to form three separate feature vectors. K-Nearest Neighbor (kNN), Support Vector Machine (SVM), Multilayer Perceptron (MLP) classifiers and their ensembles are used for classification. Then the ensemble classifiers’ predictions based on distinct feature vectors are combined and an ensemble classifier built from team of ensemble classifiers. Classification performances of singular classifiers, single level ensemble classifiers and final ensemble classifier are compared and better results are obtained by the proposed method.
  • Küçük Resim Yok
    Öğe
    Spektral Özellikler ve MFCC Tabanlı Özellikleri Kullanan Klasik Makine Öğrenmesi Metotlarıyla PCG Parça Sınıflandırması
    (Osman SAĞDIÇ, 2022) Gündüz, Ali Fatih; Talu, Fatih
    Günümüzde en sık rastlanan hastalıklardan birisi kalp damar rahatsızlıklarıdır. Doğuştan gelen anormallikler, kalp ritminin bozulmasıyla çıkan hastalıklar, damar tıkanıklığı, ameliyat sonrası ortaya çıkan aritmiler, kalp krizleri ve kalp kapacıklarındaki düzensizlikler çeşitli kardiyovasküler hastalıklardan bazılarıdır. Bunların erken fark edilmesi tedavide olumlu sonuçlar almak için oldukça önemlidir. Bu amaçla kalpten gelen sesler dinlenerek kardiyovasküler rahatsızlıkların teşhis ve tanısı yapılmaya çalışılmaktadır. Kalbin ritmik çalışması esnasında kalp odacıklarının kasılıp gevşemesi, kanının kalpten damarlara dolup boşalması kalple özdeşleşen sesleri meydana çıkarır. Kalbin karakteristik seslerinin içinde ise patolojik durumların bir göstergesi olarak hışırtıya benzer sesler duyulur. Hışırtıya benzeyen beklenmedik bu sesler kalp üfürümü olarak adlandırılır. Bu mekanik sesleri mikrofon vasıtasıyla kaydetmek için Fonokardiyograf cihazı kullanılır. Kalpten gelen seslerin alındığı kayıtlarda da fonokardiyogram denilmektedir. Değişken uzunlukta olabilen bu kayıtlardan üfürümü uzman hekimler dinleyerek tespit etmektedir. Ortam gürültüsü, mikrofonun cızırtısı, hastanın nefes alış/veriş sesleri ise bu görevi zorlaştıran etmenlerdir. Makine öğrenmesi, sinyal işleme ve yapay zeka algoritmalarıyla elde edilen bilgisayar destekli sistemler bu konuda uzman hekimlere yardımcı olacak çözümler sunmaktadır. Bu çalışmada PCG kayıtlarının 1 saniye uzunluğunda kesitlere parçalanmasıyla elde edilen eşit uzunluktaki segmentlerinin makine öğrenmesi yöntemleriyle normal veya üfürüm içeren şeklinde sınıflandırılması amaçlandı. Bu amaçla yaygın olarak kullanılan ve meşhur olan C4.5 karar ağacı, Naive Bayes, Destek Vektör Makinaları ve k-en yakın komşu sınıflayıcıları kullanıldı. Özellik olarak da PCG sinyallerinin spektral değerleri, MFCC değerlerinin ortalamaları ve MFCC değerlerinden derin öğrenme ile elde edilen özellikler kullanıldı. Farklı makine öğrenmesi yöntemlerinin performansları doğruluk değerlerine göre karşılaştırıldı.