Geri Dön

Ai-based classification between healthy and vestibular system impaired individuals using gait parameters

Sağlıklı ve vestibüler sistem (VS) bozukluğu gösteren ve göstermeyen bireyler arasındaki yürüme parametrelerinin yapay zeka tabanlı sınıflandırılması

PDF İndir

  1. Tez No: 847406
  2. Yazar: DUA HİŞAM
  3. Danışmanlar: ASSOCIATE PROF. DR. SERHAT İKİZOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 81

Özet

Bu tez, yapay zeka (YZ) algoritmalarının uygulanmasında önemli bir ilerleme kaydetmektedir. Özellikle Vestibüler Sistem (VS) bozukluklarını sınıflandırmaya odaklanarak, insan yürüyüş duyusal verilerini makine öğrenimi (MO) ve derin öğrenme (DÖ) modelleriyle birleştirerek detaylı bir şekilde incelemektedir. Yapay zekanın tıp alanında teşhis aracı olarak yaygınlaşmasına rağmen, VS ile ilgili konularda yapay zekanın nüanslı tespit potansiyelini değerlendirmeye yönelik araştırmalarda belirgin bir boşluk bulunmaktadır. Bu çalışma, Vestibüler Sistem bozukluklarının tanı ve sınıflandırılmasında yapay zekanın benzersiz katkılarını ortaya koymak üzere tasarlanmıştır. Yapay zeka algoritmalarının, özellikle makine öğrenimi ve derin öğrenme modellerinin entegrasyonuyla, insan yürüyüşüne ait duyusal verilerin ayrıntılı analizi üzerinde odaklanarak, tıp alanında yapay zekanın genişlemesiyle ilgili mevcut araştırmalarda göz ardı edilen bir açığı doldurmayı amaçlamaktadır. Bu tez, Vestibüler Sistem ile ilgili sorunlarda yapay zekanın potansiyelini keşfetme konusunda yeni bir bakış açısı sunmakta ve tıp pratiğinde daha etkili teşhis araçları geliştirmek için bu teknolojilerin nasıl kullanılabileceğine dair kapsamlı bir anlayış sağlamayı hedeflemektedir. Bu çalışma, yalnızca Vestibüler Sistem (VS) bozukluklarını tespit etme konusundaki özverili çabalarıyla değil, aynı zamanda karmaşık özellik çıkarma üzerindeki inovatif metodolojisiyle de dikkat çekmektedir. Bu yenilikçi metodoloji, sadece teşhis paradigmasını değiştirmekle kalmayıp aynı zamanda daha kesin ve veri odaklı teşhisler aracılığıyla sağlık hizmetlerini devrimleştirmeyi vaat etmektedir. Yapılan bu çalışma, Vestibüler Sistem bozukluklarının teşhisi için geliştirilen özgün metodolojinin, derin öğrenme (DÖ) modellerini kullanarak karmaşık özellik çıkarma alanında gerçekleştirdiği inovasyonu vurgulamaktadır. Bu metodoloji, sadece mevcut teşhis yaklaşımlarını yeniden şekillendirmekle kalmayıp aynı zamanda daha hassas ve veri odaklı teşhisler aracılığıyla sağlık hizmetlerini kökten dönüştürme potansiyeline sahiptir. Bu nedenle, çalışma, yapay zeka ve derin öğrenme modellerinin tıp alanında sağlık hizmetlerini iyileştirmedeki rolünü anlamak ve değerlendirmek isteyen araştırmacılar için önemli bir referans kaynağı olabilir. Bu çalışma, titiz bir eğitim programını içeren özenli bir çabanın bir ürünü olarak ortaya çıkmıştır. Bu çaba kapsamında kullanılan on bir farklı model arasında, dokuz makine öğrenimi (MO) modeli (Karar Ağacı Sınıflandırıcısı, Rastgele Orman Sınıflandırıcısı, Aşırı Dereceli Arttırma, Işık Dereceli Arttırma Makinesi, CatBoost Sınıflandırıcısı, Destek Vektör Makinesi Sınıflandırması, Lojistik Regresyon, K-en Yakın Komşu ve Naif Bayes) ve iki derin öğrenme (DÖ) modeli (Özel Evrişimli Sinir Ağı ve Uzun Kısa Vadeli Hafıza) bulunmaktadır. Bu modellerin seçilmesi, çeşitli yapay zeka yaklaşımlarının kapsamlı bir şekilde değerlendirilmesini sağlamak amacıyla özenle gerçekleştirilmiştir. Eğitim programı, her bir modelin güçlü ve zayıf yönlerini anlama, karşılaştırma ve analiz etme amacı taşıyan bir yaklaşımı benimsemektedir. Bu nedenle, çalışma, çeşitli makine öğrenimi ve derin öğrenme modellerinin Vestibüler Sistem bozukluklarının sınıflandırılmasında nasıl performans gösterdiğine dair kapsamlı bir bakış sunarak, bu alandaki gelecekteki araştırmalara önemli bir katkıda bulunmaktadır. Bu güçlü model topluluğu, insan yürüyüş verilerindeki karmaşık desenleri başarıyla çözerek Vestibüler Sistem (VS) bozukluklarını stratejik bir şekilde tespit etmek üzere kullanılmıştır. Detaylı ve çok yönlü bir değerlendirme süreci, modellerin doğruluk, hatırlama, hassasiyet ve F1 puanı gibi kritik boyutlarda titiz bir şekilde incelenerek gerçekleştirilmiştir. Bu analiz sonucunda, RandomForestClassifier (RF) modeli, olağanüstü %95.28'lik bir doğruluk oranıyla öne çıkmıştır. RF modelinin bu etkileyici performansı, sadece modelin sağlamlığını vurgulamakla kalmayıp aynı zamanda tıp alanında etkili bir teşhis aracı olarak konumlandırılmasını sağlamaktadır. Çalışma, veri görselleştirmenin alanına girmesiyle daha da derinleşir ve gait verilerinin karmaşık dünyasına görsel bir katman ekleyerek, her adımda alınan sensör verilerini içeren benzersiz bir perspektif sunmaktadır. Gait verilerinin görselleştirilmesi, bu çalışmanın analizlerini zenginleştiren önemli bir unsur olarak ortaya çıkmaktadır. Her bir adımda kaydedilen sensör verilerinin görsel temsili, Vestibüler Sistem bozukluklarının daha iyi anlaşılmasına ve teşhis edilmesine katkı sağlayan bilgileri ortaya çıkarmaktadır. Görselleştirmenin bu özel kullanımı, araştırmanın sadece veri analizinde değil aynı zamanda sonuçların daha geniş bir kitleye etkili bir şekilde iletilmesinde de etkili olmasını sağlamaktadır. Veri görselleştirmesi, karmaşık bilgilerin daha anlaşılır ve erişilebilir olmasını sağlayarak, Vestibüler Sistem bozukluklarına odaklı bu çalışmanın bilimsel ve klinik topluluklar arasında daha geniş bir etki alanına sahip olmasına olanak tanımaktadır. Tez tamamlanırken, gelecekte yapılacak çalışmalar için iddialı bir yol haritası sunmaktadır. Bu kapsamda, gelecekteki çalışmalar, model eğitiminden önce sofistike özellik çıkarma algoritmalarının uygulanmasını içerecek, bu da Derin Öğrenme (DÖ) modellerinin verimliliğini ve etkinliğini artırmayı hedefleyen stratejik bir adım olacaktır. Bu evrimsel adım, eğitim aşamasında daha basit DÖ modellerine doğru bir kayma ile uyumlu bir şekilde gerçekleşecek ve nihayetinde karmaşık bir Evrişimli Sinir Ağı-Uzun Kısa Vadeli Hafıza (CNN-LSTM) modelinin eğitimine doğru bir yol açacaktır. Bu vizyoner yaklaşım, hem Derin Öğrenme hem de geleneksel Makine Öğrenimi metodolojilerinin içsel güçlerini sinerjize etmeyi amaçlayarak, sağlık alanında daha güçlü teşhislerin önünü açan bir perspektif sunmaktadır. Bu öngörülen çalışma, daha sofistike özellik çıkarma algoritmalarının entegrasyonuyla birlikte, Derin Öğrenme modellerinin daha da geliştirilmesini ve Vestibüler Sistem bozukluklarının daha hassas bir şekilde tespit edilmesini amaçlamaktadır. Bu stratejik adım, gelecekteki araştırmalara ilham vererek, tıp alanında yapay zeka destekli teşhis yaklaşımlarının potansiyelini artırarak sağlık hizmetlerindeki etkinliği iyileştirmeyi hedeflemektedir. Özetle, bu öncü tez, gait analizi üzerinden Vestibüler Sistem (VS) bozukluklarının teşhisi için Makine Öğrenimi (MO) ve Derin Öğrenme (DÖ) modellerinin stratejik bir şekilde kullanımında önemli bir ilerlemeyi temsil eder. Bu çalışma, yenilikçi yaklaşımı, titiz model değerlendirmesi ve veri görselleştirmenin entegrasyonu ile güçlendirilmiştir. Bu sadece yeni alanlar keşfetmekle kalmaz, aynı zamanda tıp alanındaki hastalık teşhisi peyzajını şekillendirme vaadini taşır. Bu tez, gait analizi odaklı olarak geliştirilen MO ve DÖ modellerinin kullanımıyla Vestibüler Sistem bozukluklarının tespiti konusunda önemli bir öncü niteliği taşımaktadır. Yenilikçi yaklaşımının yanı sıra, titiz model değerlendirmesi ve görselleştirmenin bu çalışmada entegre edilmesi, sadece bilgi düzeyini artırmakla kalmaz, aynı zamanda hastalık teşhis süreçlerini iyileştirmeyi hedefleyen gelecekteki araştırmalara da ilham kaynağı olabilir.

Özet (Çeviri)

This thesis represents a significant breakthrough in the realm of applying artificial intelligence (AI) algorithms, featuring both machine learning (ML) and deep learning (DL) models, to the analysis of human gait sensory data to diagnose Vestibular System (VS) disorders. While AI has become a common diagnostic tool in the medical domain, there has been a conspicuous lack of research focused on leveraging AI approaches for the detection of VS-related issues. What sets this study apart is not only its endeavor to diagnose VS disorders but its pioneering use of DL models for feature extraction, facilitated through training on raw, normalized data. This novel methodology opens up exciting possibilities for more accurate, data-driven diagnostics in the field of healthcare. This thesis undertook the comprehensive training of eleven distinct models, including nine ML models (Decision Tree Classifier, Random Forest Classifier, Extreme Gradient Boosting, Light Gradient Boosting Machine, CatBoost Classifier, Support Vector Machine Classification, Logistic regression, K-nearest Neighbor, and Naive Bayes), and two DL models (Custom Convolutional Neural Network and Long Short-Term Memory). These models were deployed to effectively detect and classify VS disorders in gait data. The performance of these models was rigorously evaluated using a multifaceted approach encompassing accuracy, recall, precision, and F1-score. Notably, the RandomForestClassifier (RF) model emerged as the standout performer, delivering an impressive accuracy rate of 95.28%. This high level of accuracy underscores the robustness of the RF model, certifying its role as a formidable diagnostic tool in the medical domain. Moreover, this study ventured into the realm of data visualization by generating images that provide a tangible representation of sensor data at each average step, offering a unique and enriched perspective on the analysis of gait data. The integration of visual data representation with advanced AI techniques for medical diagnostics reflects a holistic and innovative approach. As the thesis draws to a conclusion, it lays out a roadmap for the future. Subsequent work will entail the implementation of feature extraction algorithms before model training, which promises to enhance the efficiency and effectiveness of DL models. This progression is accompanied by a shift towards the use of simpler DL models in the training phase, paving the way for the eventual training of a combined Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) model. The aim is to harness the strengths of both DL and traditional ML approaches to achieve even more robust diagnostics in the domain of healthcare. In summary, this groundbreaking thesis represents a substantial advancement in the deployment of ML and DL models for the diagnosis of VS disorders through gait analysis. Its pioneering approach, supported by a rigorous model evaluation and the integration of data visualization, opens new frontiers for AI-driven diagnostics and promises to revolutionize disease diagnosis in the medical field. The future holds exciting potential for more precise, data-informed healthcare.

Benzer Tezler

  1. Tez No

    908941

    Kronik inflamatuvar demiyelinizan polinöropati (CIDP) hastalığının teşhisinde makine öğrenme algoritmaları kullanılarak karar destek sistemi oluşturma

    Developing a decision support system for the diagnosis of chronic inflammatory demyelinating polyneuropathy (CIDP) using machine learning algorithms

    HÜSEYİN AKBUDAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Biyomedikal Ana Bilim Dalı

    DOÇ. DR. MUHAMMET SERDAR BAŞÇIL

  2. Tez No

    892781

    Primer sjögren hastalığının tanılanmasında yapay zeka yönteminin etkinliği

    Effectiveness of artificial intelligence method in diagnosis of primary sjögren disease

    MERT ÜNAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    RomatolojiAkdeniz Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. VELİ YAZISIZ

  3. Tez No

    906421

    Glio-SERS: Artificial intelligence and surface enhanced raman spectroscopy driven liquid biopsy method for brain tumor classification

    Glio-SERS: Beyin tümörlerinin sınıflandırılması için yapay zeka ve yüzey güçlendirilmiş raman spektroskopisi tabanlı sıvı biyopsi yöntemi

    HÜLYA TORUN

    Doktora

    İngilizce

    İngilizce

    2024

    BiyomühendislikKoç Üniversitesi

    Biyomedikal Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. İHSAN SOLAROĞLU

    PROF. DR. UTKAN DEMİRCİ

  4. Tez No

    771432

    Mental health prediction using a subjective well-being model based on the perceived stress scale

    Öznel iyi oluş modelini kullanarak stress ölçeğine dayalı akıl sağlığı tahmini

    AHMET KARAKUŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiGalatasaray Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SADETTİN EMRE ALPTEKİN

  5. Tez No

    898329

    Elektroensefalografi (EEG) sinyali kullanılarak yapay zeka tabanlı duygu kestirimi

    Emotion prediction using artificial intelligence based on electroencephalography (EEG) signals

    ELİF ÇAVUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET RECEP BOZKURT

Geri Dön