Examining a patient with a stethoscope using an arduino device
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
Stetoskop, oskültasyon için veya bir fiziksel veya insan vücudunun iç seslerini duymak için sesli tıbbi bir çözümdür. Arduino, bir I / O (I / O) panosu ve İşleme / Kablolama dilinin bir uygulamasını içeren geliştirme ortamından oluşan fiziksel bir programlama platformudur. LSTM, derin öğrenme alanında kullanılan yapay bir tekrarlayan sinir ağı (RNN) mimarisidir. Standart ileri beslemeli sinir ağlarının aksine, LSTM'nin geri bildirim bağlantıları vardır. Yalnızca tek veri noktalarını (görüntüler gibi) değil, aynı zamanda tüm veri dizilerini (konuşma veya video gibi) işleyebilir. Bu çalışmada, optimizasyon algoritmasına dayalı derin öğrenme tekniklerini birleştirerek kalp hastalıklarının tespiti için yeni bir yöntem sunulmuştur. İlk aşamada LSTM, Arduino tarafından elde edilen kalp sinyallerini sınıflandırmak için uygulandı. BBO, LSTM modelinin hata oranını azaltmak için uygulanarak LSTM'nin performansını artırmak için başvurdu. Sunulan yöntem, önceki çalışmalarla karşılaştırıldığında tatmin edici sonuçlar verdi.
Author
Shamıl Waad Ahmed Alathıbanı
Institution
How to Cite
Shamıl Waad Ahmed Alathıbanı (Yüksek Lisans Tezi). Examining a patient with a stethoscope using an arduino device, 2021, Altınbaş University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Altınbaş University
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)
