Kardiyovasküler rahatsızlıkların yapay öğrenme yöntemleriyle teşhisi

Oskültasyon ve fonokardiyografi kalp seslerinin analizi için uzun yıllardan beri kullanılan yöntemlerdir. Hekimlerin kalp seslerini dinleyerek teşhis yapması ise dinleyicinin yeterli tecrübe ve yeteneğe sahip olmasına bağlıdır. Klinik tecrübeye sahip olmayan stajyerler ve kariyerlerinin başlarında olan hekimler için bu seslerin yüksek doğrulukla ayırt edilip yorumlanması zor bir görevdir. İnsan kulağının dinleme becerisine dayanan oskültasyon subjektif bir konu olup aynı kalp sesleri farklı dinleyenler tarafından değişik şekillerde yorumlanabilir. Ayrıca uzman hekimlerin bulunmadığı veya onlara ulaşmanın zor olduğu kırsal bölgelerde, evde bakım ünitelerinde ve taşradaki sağlık merkezlerinde kalp seslerinden kardiyovasküler hastalıkları tespit etmede yararlanmak için bilgisayar destekli sistemlere ihtiyaç duyulmaktadır. Bu tez çalışmasında uzman hekimlere kalp seslerinden üfürümlerin teşhis edilmesinde yardımcı olacak bilgisayar destekli yöntemler geliştirilmiştir. Önerilen yöntemlerde veri madenciliği ve yapay zekâ tabanlı yaklaşımlar kullanılmıştır. Bu amaçla öncelikle normal/anormal PCG kayıtlarını sınıflandırmada klasik makine öğrenmesi yaklaşımlarının performansları incelenmiştir. Bu yöntemler, geliştirilen orijinal yöntemlerin performanslarını kıyaslamak için kullanılmıştır. Önerilen ikinci uygulamada kalp sesleri filtrelenerek bunlardan çıkarılan MFKK özellik matrisleriyle evrişim ve çift yönlü uzun-kısa süreli bellek katmanlarına sahip bir derin ağ modeli eğitilmiştir. Gerçekleştirilen üçüncü yöntemde PCG kayıtlarından Yapay Arı Kolonisi algoritmasıyla entropi ve enerji değerlerini optimize ederek çerçeveler çıkarılmıştır. Bu çerçevelerden çıkarılan spektrogramlar, evrişim ve çift yönlü uzun-kısa süreli bellek birleşimi katmanlarına sahip derin ağ modeliyle sınıflandırılmıştır. Son olarak normal ve aritmi içeren EKG kayıtlarını sınıflandırmada çift yönlü uzun-kısa süreli bellek modeliyle uzun-kısa süreli bellek katmanlarıyla desteklenmiş evrişimsel sinir ağı modeli karşılaştırılmıştır. Önerilen sistemler halka açık veri setleri üzerinde test edilmiş ve performans değerleri karşılaştırılmıştır. Önerilen uygulamalarla yapılan deneylerde alınan performans sonuçları diğer güncel yöntemlerle yarışır düzeydedir. Geliştirilen bu yöntemler karar almada hekimlere yardımcı olabilecek bir düzeydedir.