Elektroretinografi verileri üzerinde makine öğrenmesi ve derin öğrenme yaklaşımları
Machine learning and deep learning approaches for elektroretinography data
- Tez No: 1012803
- Danışmanlar: DOÇ. DR. GIYASETTİN ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: İnsan-yapay zeka etkileşimi, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektroretinografi (ERG), retina fonksiyonlarının değerlendirilmesinde kullanılan, zamansal yapısı karmaşık ve doğrusal olmayan biyomedikal sinyallerden oluşmaktadır. ERG tabanlı sınıflandırma problemlerinde sınırlı örnek sayısı, sınıf dengesizliği ve biyolojik varyasyon gibi etmenler, makine öğrenmesi ve derin öğrenme modellerinin genelleme yeteneğini olumsuz yönde etkileyebilmektedir. Bu tez çalışmasında, ERG verileri kullanılarak makine öğrenmesi ve derin öğrenme yöntemlerinin sınıflandırma performansları incelenmiştir. Lojistik regresyon, k-en yakın komşu, destek vektör makineleri, random forest ve gradient boosting gibi klasik makine öğrenmesi yöntemleri ile çok katmanlı algılayıcı tabanlı bir derin öğrenme modeli değerlendirilmiştir. Orijinal veri seti üzerinde gerçekleştirilen deneylerde, sınıf dengesizliğinin özellikle azınlık sınıfa ait performans ölçütlerini olumsuz etkilediği gözlemlenmiştir. Bu problemi ele almak amacıyla, ERG sinyallerinin biyolojik ve istatistiksel özelliklerini koruyacak şekilde tasarlanmış bir sentetik veri üretim yaklaşımı geliştirilmiştir. Sentetik üretim süreci, alt grupların dağılım karakteristiğini koruyacak biçimde kurgulanmış ve doğrulama aşamasında dağılım uyumu, çeşitlilik ve ERG morfolojisinin korunumu birlikte değerlendirilmiştir. Elde edilen bulgular, sentetik veri destekli eğitim senaryosunun sınıflar arası performans dengesini iyileştirdiğini ve sınıf dengesizliği probleminin etkisini azalttığını göstermektedir.
Özet (Çeviri)
Electroretinography (ERG) is a biomedical signal widely used for the assessment of retinal function and is characterized by complex temporal structure and nonlinear behavior. In ERG-based classification problems, limited sample size, class imbalance, and biological variability constitute major challenges that adversely affect the generalization performance of machine learning and deep learning models. In this thesis, the classification performance of machine learning and deep learning approaches is investigated using ERG data. Classical machine learning methods, including logistic regression, k-nearest neighbors, support vector machines, random forest, and gradient boosting, as well as a multilayer perceptron–based deep learning model, are evaluated. Experiments conducted on the original dataset reveal that class imbalance significantly degrades performance, particularly for the minority class. To address this issue, a synthetic data generation approach is developed to preserve the biological and statistical characteristics of ERG signals. The synthetic generation process is designed to maintain subgroup distribution characteristics, and the validation stage jointly considers distribution fidelity, diversity, and preservation of ERG morphology. The results demonstrate that synthetic data–augmented training improves class-balanced performance and mitigates the effects of class imbalance in ERG signal classification.
Benzer Tezler
- Santral retina veni kök tıkanıklığının sınıflandırılması ve prognozunda elektroretinografinin değeri
Başlık çevirisi yok
SERRA ARF
- Diabetik retinopatinin erken tanısında kontrast duyarlık, renk görme ve elektroretinografinin yeri
Başlık çevirisi yok
SEMA ARVAS
- Venöz staz retinogatisi ve hemorajik retinopatinin ayırıcı tanısında elektroretinografinin değeri
Başlık çevirisi yok
MUSTAFA OĞUZTÖRELİ
- Maküla dejeneresanslarının tanı ve takibinin oftalmolojik ve elektrofizyolojik bulguların değerlendirilmesi
Başlık çevirisi yok
MOHAMMED ABRY
