Sağlık verilerinin sınıflandırılmasında aşırı öğrenme ve rastgele karşıt tabanlı gelişmiş savaş stratejisi optimizasyonun hibrit kullanılması
Hybrid use of extreme learning and random opposition-based enhanced war strategy optimization in health data classification
- Tez No: 1005496
- Danışmanlar: DOÇ. DR. İBRAHİM BERKAN AYDİLEK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilim ve Teknoloji, Hemşirelik, Engineering Sciences, Science and Technology, Nursing
- Anahtar Kelimeler: Aşırı öğrenme makineleri, Yapay zeka, Extreme learning machines, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hastalıkların doğru sınıflandırılması, teşhis, tedavi ve bakım süreçleri açısından hayati önem taşımaktadır. Sık görülen hastalıklarda etkileyen etmenlerin ve bireysel özelliklerin farklılıkları nedeniyle sınıflandırılması güçleşmektedir. Sağlık verilerinin doğru ve etkili bir şekilde sınıflandırılması için yapay sinir ağları kullanılmaktadır. Yapay zekâ alanında sürekli gelişen yeni algoritmalar sayesinde verilerin sınıflamasında daha başarılı sonuçlar elde edilmektedir. Bu araştırmada, sağlık verilerinin hastalık sınıflandırmasında geliştirilen rastgele karşıt tabanlı savaş stratejisi optimizasyona sahip yeni bir hibrit aşırı öğrenme makinesi (EWSO) performansı değerlendirilmiştir. Aşırı öğrenme makinesi (ELM) hızlı, tek katmanlı ileri beslemeli sinir ağıdır. Savaş stratejisi optimizasyonu ordu birliklerinin savaş stratejisinden esinlenmektedir. Karşıt tabanlı öğrenme varlıkları hem kendisi hem de karşıtıyla değerlendiren optimizasyondur. Sağlık veri kümeleri olarak Breast, Bupa, Dermatology, Diabetes, Hepatitis, Lymphography, Parkinsons, SAheart, SPECTF, Vertebral ve WDBC kullanılmıştır. Performans değerlendirilmesi doğruluk, keskinlik, duyarlılık, özgüllük ve F1 skoru metrikler ile yapılmıştır. Geliştirilen EWSO modeli, Karınca Aslanı Optimizasyonu, Yusufçuk Algoritması, Parçacık Sürü Optimizasyonu, Gri Kurt Optimizasyonu, Savaş Stratejisi Optimizasyonu, Karşıt Tabanlı Öğrenme Savaş Stratejisi Optimizasyonu ile karşılaştırılmıştır. Yaygın görülen hastalıkların doğru tanımlanması için geliştirilen EWSO etkili bir model olduğu bulunmuştur. Çoğunlukla diğer algoritmalara göre başarı üstünlüğü gösterdiği ve hata payının minimum olduğu saptanmıştır. Geliştirilen EWSO modelinin sağlık verilerinin sınıflamasında kullanılması hatta hastane sistemlerine entegre edilmesi önerilmektedir.
Özet (Çeviri)
Correct classification of diseases is vital for diagnosis, treatment and care processes. In common diseases, it becomes difficult to classify them due to the differences in influencing factors and individual characteristics. Artificial neural networks are used for accurate and effective classification of health data. Thanks to the new algorithms that are constantly developing in the field of artificial intelligence, more successful results are obtained in the classification of data. In this study, the performance of a novel hybrid extreme learning machine with enhanced random opposite-based learning optimization (EWSO) in disease classification of health data was evaluated. An extreme learning machine (ELM) is a fast, single-layer feedforward neural network. War strategy optimization is inspired by the war strategy of army units. Opposite-based learning is optimization that evaluates entities both by itself and by its opposite. Breast, Bupa, Dermatology, Diabetes, Hepatitis, Lymphography, Parkinsons, SAheart, SPECTF, Vertebral and WDBC were used as health datasets. Performance was evaluated with accuracy, precision, sensitivity, specificity, and F1 score metrics. The developed EWSO model was compared with Ant Lion Optimizer, Dragonfly Algorithm, Particle Swarm Algorithm, Gray Wolf Optimization, War Strategy Optimization, Opposition Based Learning War Strategy Optimization. EWSO, which was developed for the accurate identification of common diseases, has been found to be an effective model. It has been determined that it mostly shows success superiority compared to other algorithms and the margin of error is minimal. It is recommended that the developed EWSO model be used in the classification of health data and even integrated into hospital systems.
Benzer Tezler
- Meme kanseri tanısı için gelişmiş yapay zeka tabanlı çok aşamalı tespit sistemi
Advanced artificial intelligence based multi-stage detection system for breast cancer diagnosis
ABDUL SAMAD
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Ai-based classification between healthy and vestibular system impaired individuals using gait parameters
Sağlıklı ve vestibüler sistem (VS) bozukluğu gösteren ve göstermeyen bireyler arasındaki yürüme parametrelerinin yapay zeka tabanlı sınıflandırılması
DUA HİŞAM
Yüksek Lisans
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
ASSOCIATE PROF. DR. SERHAT İKİZOĞLU
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR
- Breast cancer diagnosis in histopathological images using autoencoder-enhanced convolutional neural network
Histopatolojik görüntülerde meme kanseri teşhisi için otokodlayıcı ile geliştirilmiş evrişimsel sinir ağı kullanımı
İSMAİL İÇME
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ