EKG SİNYALİ SINIFLANDIRMASI İÇİN BİR BOYUTLU GENİŞLETİLMİŞ ARTIK EVRİŞİMSEL SİNİR AĞLARI

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: Selin YILDIZ

Danışman: Necla Gündüz Tekin

Özet:

Elektrokardiyogram (EKG) sinyallerinin otomatik sınıflandırılması, kardiyovasküler

hastalıkların erken teşhisi açısından önemli bir araştırma alanıdır. Bu çalışmada, MIT-BIH

Aritmi veri seti kullanılarak sınıf dengesizliğinin model performansı üzerindeki etkileri

incelenerek bu probleme yönelik farklı dengeleme ve eğitim stratejileri karşılaştırmalı

olarak değerlendirilmiştir. Bu kapsamda, aynı mimariye sahip bir boyutlu genişletilmiş

artık evrişimli sinir ağları üzerinde standart SMOTE ve kademeli SMOTE gibi veri artırma

yöntemleri, farklı parametrelere sahip odak kayıp fonksiyonları ve sınıf bazlı

ağırlıklandırma teknikleri uygulanmıştır. Ayrıca eğitim sürecinde dinamik öğrenme oranı

azaltma optimizasyon yönteminden yararlanılmıştır. Elde edilen sonuçlar, model

performansının yalnızca kullanılan mimariye değil, veri dengesizliği ile mücadele etmek

için kullanılan stratejilere bağlı olduğunu göstermiştir. Dengesiz veri kümelerinde model

başarısının artırılabilmesi için veri artırma yöntemleri ile kayıp fonksiyonu

parametrelerinin birlikte ve dengeli şekilde optimize edilmesi gerektiği ortaya

konulmuştur.