Geri Dön

Predicton of maximal oxygen uptake using machine learning methods combined with feature selection

Nitelik seçme ile birleştirilmiş makina öğrenme yöntemleri kullanılarak maksimum oksijen tüketiminin tahmini

PDF İndir

  1. Tez No: 367726
  2. Yazar: ERMAN AKTÜRK
  3. Danışmanlar: DOÇ. DR. MEHMET FATİH AKAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 115

Özet

Maksimal oksijen tüketimi (VO2max), bireyin yoğun ve maksimal egzersiz sırasında kullandığı maksimum oksijen miktarını ifade eder. VO2max'ı tahmin etmek için bir çok çalışma yapılmış olmasına rağmen, şu ana kadar hiç bir çalışmada VO2max tahmini için ayırt edici niteliklerin belirlenmesinde nitelik seçme algoritmaları ile birleştirilmiş makine öğrenme yöntemlerinin uygulanması konusu yer almamaktadır. Bu tezin amacı, nitelik seçme algoritmaları ile birleştirilmiş Destek Vektör Makineleri (SVM) ve Çok Katmanlı Algılayıcı (MLP) kullanarak yeni VO2max tahmin modelleri geliştirmektir. Relief-F ve Korelasyon-tabanlı Nitelik Seçme (CFS) algoritmaları kullanılmıştır. Tüm veri setleri üzerinde Relief-F uygulayarak, niteliklerin sıralaması elde edilmiştir. Her defasında en düşük skora sahip nitelik elenerek, veri setinin boyutu küçültülmüştür. Ayrı olarak, tüm veri setleri üzerinde CFS kullanılarak en iyi nitelikleri barındıran alt kümeler seçilmiştir. Dört farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, tahmin modellerini performansı çoklu korelasyon katsayısı (R) ve standart tahmin hatası (SEE) hesaplanarak belirlenmiştir. Elde edilen sonuçlara göre, SVM tabanlı VO2max tahmin modellerinin diğer regresyon yöntemleri ile geliştirilen modellere göre daha iyi performans (daha düşük SEE ve daha yüksek R) gösterdiği görülmüştür.

Özet (Çeviri)

Maximal oxygen uptake (VO2max) refers to the maximum amount of oxygen that an individual can utilize during intense or maximal exercise. Although numerous studies exist to predict VO2max, to date, no study has attempted to apply machine learning methods combined with feature selection algorithms to identify the discriminative features for prediction of VO2max. The purpose of this thesis is to develop new VO2max prediction models using Support Vector Machines (SVM) and Multilayer Perceptron (MLP) combined with feature selection algorithms. Two feature selection algorithms, Relief-F and Correlation-based Feature Selection (CFS), have been considered. By applying Relief-F on the full data sets, the ranking of the features have been obtained. Dimensionality of data sets is reduced by removing the feature with the lowest score at a time before being passed on to the regression method. CFS has been used separately on the full data sets to find out the best subset of features. Using 10-fold cross validation on four different data sets, the performance of prediction models has been evaluated by calculating their multiple correlation coefficients (R's) and standart error of estimates (SEE's). The results show that SVM-based VO2max prediction models perform better (i.e. yield lower SEE's and higher R's) than the prediction models developed by other regression methods.

Benzer Tezler

  1. Tez No

    460975

    Development of new hybrid models for prediction of VO2MAX using machine learning methods combined with feature selection algorithms

    Nitelik seçme algoritmalarıyla birleştirilmiş makine öğrenme yöntemleri kullanılarak yeni hibrit VO2MAX tahmin modellerinin geliştirilmesi

    FATİH ABUT

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AKAY

  2. Tez No

    584950

    Predicting maximal oxygen uptake using deep learning

    Derin öğrenme ile maksimum oksigen tüketimi tahmini

    HALA ABDULKADER

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET FATİH AKAY

  3. Tez No

    304682

    Prediction of maximum oxygen uptake from maximal and non-exercise variables using machine learning methods

    Maksimal ve egzersize bağlı olmayan değişkenler kullanarak maksimum oksijen alımının makine öğrenmesi yöntemleriyle tahmin edilmesi

    NOUSHİN SHOKROLLAHI GHAHREMANLOU

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET FATİH AKAY

  4. Tez No

    367743

    Prediction of upper body power and maximal oxygen uptake of cross-country skiers using different regression methods

    Farklı regresyon yöntemleri kullanarak kros kayakçılarda üst vücut gücünün tahmin edilmesi

    SHAHABODDİN DANESHVAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AKAY

  5. Tez No

    374596

    Prediction of maximum oxygen uptake (VO2max) with submaximal and questionnaire variables using different regression methods

    Submaksimal ve anket değişkenleri kullanarak maksimum oksijen tüketiminin farklı regresyon yöntemleriyle tahmin edilmesi

    ESER YÜCEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AKAY

Geri Dön