Prediction of monkeypox infection from clinical symptoms with adaptive artificial bee colony-based deep neural network
Adaptif yapay arı koloni tabanlı derin sinir ağı ile klinik belirtilerden maymun çiçeği enfeksiyonunun tahmini
- Tez No: 843731
- Danışmanlar: DR. ÖĞR. ÜYESİ DURSUN EKMEKCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
2022'de Dünya Sağlık Örgütü (WHO), viral zoonotik bir hastalık olan maymun çiçeği salgını ilan etti. Zamanla çoğu ülkede bu hastalığa yakalananların sayısı artmaya başladı. Bir insan, enfekte bir insanla doğrudan temas yoluyla veya hatta hayvanlarla temas yoluyla maymun çiçeği hastalığına yakalanabilir. Bu çalışmada, maymun çiçeği enfeksiyonunun erken teşhisi için yapay zekâ yöntemlerine dayalı bir tanı modeli önerilmiştir. Önerilen yöntem, Yapay Sinir Ağının (YSA) sınıflandırma problemi için Adaptif Yapay Arı Kolonisi (aYAK) Algoritması ile eğitilmesine dayanmaktadır. Çalışmada YSA için klasik eğitim algoritmaları yerine sayısal optimizasyon problemlerinin çözümündeki etkinliğinden dolayı YAK algoritması tercih edilmiştir. YAK algoritması yiyecek ve limit parametrelerinden ve üç prosedürden oluşur: işçi, gözcü ve kâşif arı. Algoritma standardında yapay işçi arı sayısı kadar yapay gözcü arı üretilmekte ve tüm besin kaynakları için eşit sayıda sınır değer atanmaktadır. Gelişmiş uyarlanabilir tasarımda, her döngüde farklı sayıda yapay gözcü arı kullanılır ve limit sayıları güncellenir. Etkili kullanım için gözcü arılar, çözümlerin ortalama uygunluk değerinden daha başarılı çözümlere yönelmekte ve verimli keşif için çözümlerin uygunluk değerlerine göre sınır sayıları güncellenmektedir. Sistem, maymun çiçeği enfeksiyonunun klinik semptomlarını temsil eden bir veri seti üzerinde eğitildi ve test edildi. Veri seti, 120'si enfekte ve 120 tipik vaka olmak üzere 240 şüpheli vakadan oluşuyor. Önerilen modelin sonuçları, aynı veri kümesi üzerinde eğitilmiş diğer on makine öğrenimi modelinin sonuçlarıyla karşılaştırıldı. Derin Öğrenme modeli, %75 doğrulukla en iyi sonucu elde etti. Onu %71,1 doğrulukla Random Forest modeli takip ederken, önerilen model %71 doğrulukla üçüncü oldu.
Özet (Çeviri)
In 2022, the World Health Organization (WHO) declared an outbreak of monkeypox, a viral zoonotic disease. With time, the number of infections with this disease began to increase in most countries. A human can contract monkeypox by touching with an infected human, or even by touch with animals. In this thesis, diagnostic model for early detection of monkeypox infection based on artificial intelligence methods is proposed. The proposed method is based on training the Artificial Neural Network (ANN) with the Adaptive Artificial Bee Colony (aABC) Algorithm for the classification problem. In the study, the ABC algorithm was preferred instead of classical training algorithms for ANN because of its effectiveness in numerical optimization problem solutions. The ABC algorithm consists of food and limit parameters and three procedures: employed, onlooker and scout bee. In the algorithm standard, artificial onlooker bees are produced as much as the number of artificially employed bees and an equal number of limit values are assigned for all food sources. In the advanced adaptive design, different numbers of artificial onlooker bees are used in each cycle, and the limit numbers are updated. For effective exploitation, onlooker bees tend towards more successful solutions than the average fitness value of the solutions, and limit numbers are updated according to the fitness values of the solutions for efficient exploration. The system was trained and tested on a dataset representing the clinical symptoms of monkeypox infection. The dataset consists of 240 suspected cases, 120 of which are infected and 120 typical cases. The proposed model's results were compared with those of ten other machine-learning models trained on the same dataset. The Deep Learning model achieved the best result with an accuracy of 75%. It was followed by the Random Forest model with an accuracy of 71.1%, while the proposed model came third with an accuracy of 71%.
Benzer Tezler
- Manisa bölgesinde 'ST segment yükselmesi olmayan miyokard infarktüsü' tanısı alan hastalarda kardiyovasküler risk faktörlerine göre koroner lezyonların dağılımının incelenmesi
Prediction of the significance of coronary arterial lesions by the assessment of the cardiovasular risk factors in patients with 'NON-ST elevated myocardial infarction' in Manisa region
EDA ÖZLEK
Tıpta Uzmanlık
Türkçe
2015
KardiyolojiCelal Bayar ÜniversitesiKardiyoloji Ana Bilim Dalı
PROF. DR. ALİ RIZA BİLGE
- Travmatik beyin hasarlı çocuklarda klinik, elektrofizyolojik ve görüntüleme yöntemleri ile prognoz belirlenmesi
Prediction of prognosis by clinical, electrophysiological and imaging techniques in children with traumatic brain injury
AHMET YILDIRIM
Tıpta Uzmanlık
Türkçe
2015
Çocuk Sağlığı ve HastalıklarıEge ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. GÜL SERDAROĞLU
- Prediction of the cutting forces for robotic grinding processes with abrasive mounted bits
Aşındırıcı taş kullanılan robotik taşlama proseslerinde kesme kuvvetlerinin tahmini
KEMAL AÇIKGÖZ
Yüksek Lisans
İngilizce
2015
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERHAN İLHAN KONUKSEVEN
- 3 KVA'lık kuru tip transformatörün sargı sıcaklık davranışının bulanık mantık yöntemi kullanılarak tahmini
Prediction of a 3 KVA dry type transformer winding temperature behavior using fuzzy logic method
BURAK DÖKMETAŞ
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İRES İSKENDER
- Uzaktan eğitim öğrencilerinin akademik başarılarının bireysel özellikler ile yordanması
Prediction of distance education students' academic achievement with individual traits
EKREM BAHÇEKAPILI
Doktora
Türkçe
2015
Eğitim ve ÖğretimAtatürk ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. SELÇUK KARAMAN