Çok değişkenli sinyallerde memd tabanlı anomali tespiti
Memd-based anomaly detection in multivariate signals
- Tez No: 1012934
- Danışmanlar: PROF. DR. MEHMET AKİF BAKIR
- Tez Türü: Doktora
- Konular: İstatistik, Matematik, Statistics, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, tek ve çok kanallı mevsimsel zaman serilerinde yüksek doğruluk ile yorumlanabilirliği bir araya getiren, düşük hesaplama maliyetine sahip ve hiperparametre gibi opsiyonel ayarlara ihtiyaç duymayan bir anomali tespit algoritması önerilmiştir. Zamana bağlı süreçlerde, özellikle frekans fazında meydana gelen ancak genlik fazında fark edilemeyen anomalilerin tespit edilmesi, karşılaşılan önemli zorluklardan birisidir. Dolayısıyla, bu türden problemlerden etkilenmeyen ve ayrıca genlik fazında meydana gelen anomalileri de tespit edebilen yöntemlerin geliştirilmesi önemli bir ihtiyaçtır. Bu bağlamda; tek kanallı sinyaller için veri bazlı frekans domain yöntemlerden Gözlemsel Mod Ayrışımı (EMD) ve Hilbert–Huang Dönüşümü'nü (HHT), çok kanallı sinyaller için ise Çok Değişkenli Gözlemsel Mod Ayrışımı (MEMD) ve Hilbert-Huang Dönüşümü'nün çok değişkenli yaklaşımlarını temel alan, makine öğrenmesi ve klasik istatistiksel modellerle desteklenmiş hibrit bir yaklaşım önerilmektedir. Literatürde, HHT yönteminin çok kanallı sinyaller özelinde standartlaştırılmış bir versiyonunu bulunmaması nedeniyle, mevcut yaklaşımlara ek olarak yeni bir yaklaşım da önerilmiştir. Geliştirilen algoritma, tek kanallı sinyallerde farklı anomali türlerini içerecek biçimde oluşturulan hipotetik veri setleri ile kıyaslama (benchmark) veri kümeleri üzerinde kapsamlı biçimde değerlendirilmiş olup, deneysel sonuçlarda, \%87'nin üzerinde F1 skorları ile yüksek anomali tespit doğruluğu elde edilmiştir. Çok kanallı sinyallerde ise önerilen algoritma hipotetik sinyaller üzerinde sınanmıştır. Çalışmada elde edilen tüm bulgular ışığında, önerilen algoritmanın özellikle mevsimsel dinamikler içeren zaman serilerinde verimli bir alternatif sunduğu ortaya koyulmuştur.
Özet (Çeviri)
In this study, an anomaly detection algorithm is proposed that combines high accuracy and interpretability in single channel and multi-channel seasonal time series, while maintaining low computational cost and eliminating the need for optional settings such as hyperparameter. In a time-dependent process, one of the major challenges encountered is the detection of anomalies that occur particularly in the frequency phase but cannot be observed in the amplitude phase. Therefore, developing methods that are not affected by such issues and can also detect anomalies occurring in the amplitude phase is an important necessity. In this context, a hybrid approach is proposed, which is based on data-driven frequency-domain methods like Empirical Mode Decomposition (EMD) and the Hilbert–Huang Transform (HHT) for single channel signals, and Multivariate Emprical Mode Decomposition (MEMD) and multivariate approach of Hilbert-Huang Transformation for multi-channel signals, and is further supported by machine learning and classical statistical models. Due to the absence of a standardized version of HHT method for multi-channel signals in the literature, a new approach is proposed in addition to the existent approaches. The developed algorithm is extensively evaluated on both hypothetical datasets generated to contain various types of anomalies and benchmark datasets for single channel signals. In the experimental results, high anomaly detection accuracy was achieved with F1 scores above 87\%. Similarly for multi-channel signals, the proposed algorithm is tested on hypothetical signals. Findings gathered throughout the study reveals that the proposed algorithm provides an efficient alternative, especially for time series with seasonal dynamics.
Benzer Tezler
- EEG sinyallerinin görgül kip ayrışım yöntemi ile analizi
Analysis of EEG signals using empirical mode decomposition
AHMET MERT
Doktora
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Akıllı el protez kontrolü karar verme performansına elektromiyografi sinyallerinin çok değişkenli görgül kip ayrışımı ile analizinin etkileri
The effects of multivariate empirical mode decomposition analysis of electromyography signals on intelligent hand prothesis control decision making performance
FATİH ONAY
Yüksek Lisans
Türkçe
2019
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET MERT
- Estimation of emotional situation using EEG signals and machine learning methods
EEG sinyalleri ve makine öğrenme yöntemlerini kullanılarak duygusal durum kestirimi
BARTU YEŞİLKAYA
Yüksek Lisans
İngilizce
2020
Biyoteknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Nöropazarlama uygulamaları için EEG sinyallerinin analizi ile beğeni durum tespiti
Recognition of preferences with analysis of EEG signals for neuromarketing applications
BURAK CEYLAN
Doktora
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN
- Duygu durumlarına göre değişen beyin fonksiyonel bağlantısallık analizi
Brain functional connectivity analysis changed by emotional states
MERVE DOĞRUYOL BAŞAR
Doktora
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
DR. ÖĞR. ÜYESİ ADİL DENİZ DURU