Gündüz, Ali FatihTalu, Fatih2026-06-192026-06-1920222148-2683https://doi.org/10.31590/ejosat.1188483https://hdl.handle.net/20.500.12899/4360Günümüzde en sık rastlanan hastalıklardan birisi kalp damar rahatsızlıklarıdır. Doğuştan gelen anormallikler, kalp ritminin bozulmasıyla çıkan hastalıklar, damar tıkanıklığı, ameliyat sonrası ortaya çıkan aritmiler, kalp krizleri ve kalp kapacıklarındaki düzensizlikler çeşitli kardiyovasküler hastalıklardan bazılarıdır. Bunların erken fark edilmesi tedavide olumlu sonuçlar almak için oldukça önemlidir. Bu amaçla kalpten gelen sesler dinlenerek kardiyovasküler rahatsızlıkların teşhis ve tanısı yapılmaya çalışılmaktadır. Kalbin ritmik çalışması esnasında kalp odacıklarının kasılıp gevşemesi, kanının kalpten damarlara dolup boşalması kalple özdeşleşen sesleri meydana çıkarır. Kalbin karakteristik seslerinin içinde ise patolojik durumların bir göstergesi olarak hışırtıya benzer sesler duyulur. Hışırtıya benzeyen beklenmedik bu sesler kalp üfürümü olarak adlandırılır. Bu mekanik sesleri mikrofon vasıtasıyla kaydetmek için Fonokardiyograf cihazı kullanılır. Kalpten gelen seslerin alındığı kayıtlarda da fonokardiyogram denilmektedir. Değişken uzunlukta olabilen bu kayıtlardan üfürümü uzman hekimler dinleyerek tespit etmektedir. Ortam gürültüsü, mikrofonun cızırtısı, hastanın nefes alış/veriş sesleri ise bu görevi zorlaştıran etmenlerdir. Makine öğrenmesi, sinyal işleme ve yapay zeka algoritmalarıyla elde edilen bilgisayar destekli sistemler bu konuda uzman hekimlere yardımcı olacak çözümler sunmaktadır. Bu çalışmada PCG kayıtlarının 1 saniye uzunluğunda kesitlere parçalanmasıyla elde edilen eşit uzunluktaki segmentlerinin makine öğrenmesi yöntemleriyle normal veya üfürüm içeren şeklinde sınıflandırılması amaçlandı. Bu amaçla yaygın olarak kullanılan ve meşhur olan C4.5 karar ağacı, Naive Bayes, Destek Vektör Makinaları ve k-en yakın komşu sınıflayıcıları kullanıldı. Özellik olarak da PCG sinyallerinin spektral değerleri, MFCC değerlerinin ortalamaları ve MFCC değerlerinden derin öğrenme ile elde edilen özellikler kullanıldı. Farklı makine öğrenmesi yöntemlerinin performansları doğruluk değerlerine göre karşılaştırıldı.eninfo:eu-repo/semantics/openAccessBiyomedikal sinyal işlememakine öğrenmesiderin öğrenmekalp üfürümüPCGsınıflandırma.Spektral Özellikler ve MFCC Tabanlı Özellikleri Kullanan Klasik Makine Öğrenmesi Metotlarıyla PCG Parça SınıflandırmasıPCG Frame Classification by Classical Machine Learning Methods Using Spectral Features and MFCC Based FeaturesArticle10.31590/ejosat.118848342778211884830000-0002-3838-68130000-0003-1166-8404