Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11851/3546
Title: Üroflovmetre-elektromiyografi sinyalleri sınıflandırılarak alt üriner sistem disfonksiyonu için tıbbi karar destek sistemi oluşturulması
Other Titles: Development of medical decision support system for lower urinary tract dysfunction by classifying uroflowmetry-electromyography signals
Authors: Eroğul, Osman
Yılmazer, Çağrı
Keywords: Alt üriner sistem disfonksiyonu
Üroflovmetre
Elektromiyografi
Sınıflandırma
Yapay sinir ağları
K-en yakın komşu
Destek vektör makineleri
Lower urinary tract dysfunction
Uroflowmetry
Electromyography
Classification
Artificial neural networks
K-nearest neighbor
Support vector machines
Issue Date: 2019
Publisher: TOBB University of Economics and Technology,Graduate School of Engineering and Science
TOBB ETÜ Fen Bilimleri Enstitüsü
Source: Yılmazer, Ç. (2019). Üroflovmetre-elektromiyografi sinyalleri sınıflandırılarak alt üriner sistem disfonksiyonu için tıbbi karar destek sistemi oluşturulması. Ankara: TOBB ETÜ Fen Bilimleri Enstitüsü. [Yayınlanmamış yüksek lisans tezi]
Abstract: Alt Üriner Sistem Disfonksiyonu (AÜSD) özellikle çocuklarda oldukça yaygın olarak görülen geniş bir hastalık grubudur. İdrar tutamama, sık idrara çıkma, sıkışma hissi ve zayıf idrar akımı en sık görülen AÜSD semptomlarıdır. AÜSD tespiti için çeşitli yöntemler kullanılmaktadır. Günümüzde pediatrik yaş grubunda AÜSD hastalıklarının teşhisinde ve uygulanacak tedavinin takip edilmesinde, üroflovmetre (UF) ve elektromiyografi (EMG) sinyallerinin eş zamanlı olarak kayıt altına alındığı UF-EMG testi sıklıkla kullanılmaktadır. Bu tezin amacı UF-EMG sinyallerini farklı sınıflandırma algoritmaları aracılığıyla sınıflandırarak en iyi sınıflandırma performansını gösteren sınıflandırma metodunu belirlemektir. Belirlenen en iyi sınıflandırma metodu aracılığıyla sağlık personeline hastaların teşhis ve tedavisinde yardımcı olmak, UF-EMG sonuçlarının yorumlanmasında kolaylık sağlamak hedeflenmiştir. Bu tez çalışmasında üç farklı sınıflandırma yöntemi kullanılmıştır. Bu yöntemler K-En Yakın Komşu algoritması, Destek Vektör Makineleri ve Yapay Sinir Ağları'dır. Tez çalışmasında UF-EMG sinyalleri analiz edilerek sınıflandırma algoritmalarının çıktıları altı farklı gruba ayrılmıştır. Bütün veri seti uzman hekim tarafından analiz edilmiş olup sonuçlar uzman hekim kararının altın standart olduğu dikkate alınarak hesaplanmış, en başarılı sınıflandırma performansını 'İleri Beslemeli Çok Katmanlı Yapay Sinir Ağları' sisteminin gösterdiği belirlenmiştir.
Lower Urinary Tract Dysfunction (LUTD) is a disease which is commonly seen among children. Frequent urination, urinary incontinence, feeling of tightness and poor urine flow, etc., are main symptoms of LUTD. There are different ways for diagnosis of LUTD. The most popular method is Uroflowmetry-Electromyography (UF-EMG) test in which both UF and EMG signals are recorded synchronously. The main purpose of this study is to classify UF-EMG signals with different classification methods and determine which method will show the best classification performance. These results are expected to provide physicians supplementary information for diagnosis and treatment. Three different classification methods were used for this study. These methods are Support Vector Machine (SVM), Artificial Neural Networks (ANN) and K-Nearest Neighbor (KNN). In this study UF-EMG signals are analyzed and the outputs of SVM, ANN and KNN are classified into six different groups. All dataset has been analyzed by specialists and results of the learning algorithms are calculated considering specialist judgment as gold standard and found that 'Multi Layer Feed Forward Artificial Neural Network' structure has showed best classification performance.
URI: https://hdl.handle.net/20.500.11851/3546
Appears in Collections:Biyomedikal Mühendisliği Yüksek Lisans Tezleri / Biomedical Engineering Master Theses

Files in This Item:
File Description SizeFormat 
548695.pdfÇağrı Yılmazer_Tez2.89 MBAdobe PDFThumbnail
View/Open
Show full item record

CORE Recommender

Page view(s)

300
checked on Aug 15, 2022

Download(s)

16
checked on Aug 15, 2022

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.