Makine öğrenimi algoritmalarını kullanarak hastalık tahmininin gömülü sistemlerde gerçeklenmesi
Machine learning algorithms for disease prediction in embedded systems
- Tez No: 758275
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET EMİN ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Günümüzde birçok hastalık, yaşam tarzı seçimleri ve çevrenin bir sonucu olarak insanları etkilemektedir. Erken hastalık tahmini alınacak önlemler açısından oldukça önemlidir. Semptomlara dayalı hastalık tahminlerinde doktorların semptomlara dayalı olarak doğru bir teşhiste bulunmaları kolay olmayabilir. Son yıllarda tıp ve sağlık alanındaki veri miktarının artmasından dolayı makine öğrenmesi metotları yardımıyla verilerden hastalık tahmini yapılması çok önemli bir görev haline gelmektedir. Bu çalışmada, gömülü sistem platformları; Jetson Nano, Jetson TX2, PYNQ ve Rasperry Pi kullanılarak hastalık semptomlarına dayalı makine öğrenmesi tabanlı bir tahmin sistemi önerilmektedir. Elde edilen veri setini düzenlemek için SMOTE (sentetik veri arttırma metodu) ve aşırı örnekleme yöntemleri kapsayan veri ön işleme teknikleri kullanılmaktadır. Bu veri seti, hastalığı doğru bir şekilde tahmin etmek için karar ağacı, rastgele orman, AdaBoost sınıflandırıcı (ADA), gradyan artırma (GB), çok katmanlı algılayıcı (MLP) ve lineer diskriminant analizi (LDA) sınıflandırıcıları yardımıyla sınıflandırılmaktadır. Bu sınıflandırıcıların sonuçları çapraz doğrulama yöntemi kullanılarak k = 20 kat için gerçekleştirilmektedir. Tez çalışmasında %97,61 doğruluk oranı ile lineer diskriminant analizi (LDA) ve gradyan artırma sınıflandırıcıları (GB) çıktı açısından diğer sınıflandırıcılardan daha iyi performans göstermektedir. Ayrıca sınıflandırıcıların doğruluk, eğitim ve test süreleri çeşitli gömülü sistemlerde gerçekleştirilerek sonuçları karşılaştırmalı olarak verilmektedir. Bu tez çalışmasında önerilen sistemin yüksek doğruluğu ve taşınabilirliği sayesinde tıp ve sağlık alanında karar destek sistemi olarak kullanılabilirliği sunulmuştur.
Özet (Çeviri)
Today many diseases affect people as a result of lifestyle choices and the environment. Early disease prediction is very important in terms of precautions to be taken. It may not be easy for doctors to make an accurate diagnosis based on symptoms when predicting disease based on symptoms. Due to the increase in the amount of data in the field of medicine and health in recent years, it has become a very important task to predict disease from data with the help of machine learning methods. In this study, embedded system platforms; A machine learning based prediction system based on disease symptoms is proposed using Jetson Nano, Jetson TX2, PYNQ and Raspberry Pi. Data preprocessing techniques including SMOTE (synthetic data augmentation method) and oversampling methods are used to organize the obtained data set. This dataset is classified with the help of decision tree, random forest, AdaBoost classifier (ADA), gradient boosting (GB), multilayer perceptron (MLP) and linear discriminant analysis (LDA) classifiers to accurately predict the disease. The results of these classifiers are carried out for k = 20 folds using the cross validation method. In the thesis study, linear discriminant analysis (LDA) and gradient boosting classifiers (GB) outperform other classifiers in terms of output, with an accuracy rate of 97,61%. In addition, the accuracy, training and test times of the classifiers are performed in various embedded systems and the results are given comparatively. Thanks to the high accuracy and portability of the proposed system in this thesis, its usability as a decision support system in the field of medicine and health has been presented.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Heart attack prediction using machine learning
Makine öğrenme kullanarak kalp kriz tahmin
EBRIMA JALLOW
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Forecasting İstanbul stock exchange
Borsa İstanbul'un tahminlenmesi
REŞAT BUĞRA ERKARTAL
Yüksek Lisans
İngilizce
2018
Endüstri ve Endüstri MühendisliğiYeditepe ÜniversitesiEndüstri ve Sistemler Mühendisliği Ana Bilim Dalı
PROF. LİNET ÖZDAMAR
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Forecasting of wind power generation: A comparative study
Rüzgar enerjisi üretiminin tahmini: Bir karşılaştırmalı çalışma
SHER YAR KHAN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN