Improvement of electrocardiographic imaging reconstructions: A physics-guided ai approach and an efficient method for training data reduction
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: KUTAY UĞURLU
Danışman: Yeşim Serinağaoğlu Doğrusöz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Girişimsiz Elektrokardiyografik görüntüleme (EKGG), vücut yüzey potansiyellerini (VYP) kullanarak kalp yüzeyindeki potansiyel dağılımlarını yeniden oluşturan bir araçtır. İnsan toraksının doğası gereği, kalp potansiyelleri yumuşar ve küçülür. Bu nedenle, VYPlerden kalp potansiyellerin kestirimi kötü konumlanmış bir problemdir. Bu nedenle, klinik olarak anlamlı kalp sinyalleri oluşturmak için düzenlileştirilme gerekir. Yeni düzenlileştirme teknikleri, önsel dağılımın kestirimi için eğitim verisine ihtiyaç duyar ve yaygın yaklaşım veri kümesinin tamamını kullanmaktır. Bu tezdeki ilk çalışma, Bayes Maksimum A Posteriori (MAP) çözümünde küçük bir veri kümesiyle, tüm veri kümesinin performansıyla karşılaştırılabilir performans elde etmenin mümkün olduğunu göstermektedir. Çalışma, eğitim verilerinin nasıl seçileceği ve veri eklemenin durdurulacağı zaman hakkında yöntemler önermektedir. Kovaryans matrisinin koşul sayısının iyileşmeyi durdurduğu verinin, tüm eğitim setinin performansını yeterince temsil ettiği gösterilmiştir. Veri kümesinin %26.9u, istatistiksel olarak benzer performans metrik dağılımlarına yol açmıştır (p=0.59). Çalışma, Gauss dağılımlı MAP bağlamında, önerilen metriğin, eğitim verisi içeriği hakkında bilgi sağladığını göstermiştir. İkinci çalışma, yapay sinir ağlarını (YSA) kullanarak örtük önsel dağılımı öğrenmeyi amaçlar. Bu yöntemde, Tikhonov eniyileme ifadesi, analitik çözüm ile YSA temelli gürültü azaltma adımlarıyla çözülür. Çözüm, uzamsal ve zamansal yönlere ayrılmış YSA bloklarından oluşur. Bu, MAP çözümünü geride bırakmakta ve performans metriklerinin daha yoğun dağılmasına yol açmaktadır. Yerseme hatası, 17 test verisi ve sıfırıncı derece Tikhonov çözümü için ortanca (çeyrekler arası dağılım) şeklinde, mm cinsinden 14.70 (15.80), aynı eğitim verisini kullanan MAP çözümü için 17.31 (10.54) ve önerilen çözüm için 10.65 (6.52) olarak hesaplandı ve MAPe kıyasla atım odağını bulmada %38.5 iyileşme sağladı.