Geri Dön

Makine öğrenmesi tabanlı işitme kaybı tipi ve timpanogram tahmin modeli

Machine learning based hearing loss type and tympanogram prediction model

  1. Tez No: 864500
  2. Yazar: MEHMET KAAN BAYRAKDAR
  3. Danışmanlar: DOÇ. DR. YUSUF SAİT TÜRKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 90

Özet

Günümüzde işitme kaybı tipi ve timpanometri işitme ölçümlerinde kullanılmaktadır. Bu testlerin kullanımı klinikte rutindir ve ölçümlerinin yorumlanması subjektif sonuçlara ve hatalara neden olabilmektedir. Bu çalışmada, timpanometri ve işitme kaybı türlerinin tahminlenmesi amacıyla makine öğrenmesi algoritmalarından CatBoost, Random Forest ve Support Vector Machine kullanılmıştır. Tahminleme işlemi için saf ses odyometrisi, konuşma odyometrisi ve timpanometri testlerinden elde edilen veriler kullanılmıştır. Elde edilen sonuçlar, belirlenen algoritmaların performanslarının karşılaştırılması yoluyla değerlendirilmiştir. Çalışma, işitme kaybı türlerinin ve timpanogram değerlerinin belirlenmesinde makine öğrenmesi yaklaşımlarının etkinliğini ve uygunluğunu değerlendirmeyi amaçlamaktadır. Analiz sonucunda catboost algoritması sonucu sırasıyla timpanogram ve işitme kaybı tipi değerleri %77 ve %81 doğruluk payıyla tahminlenebilmiştir. RandomForest algoritması sonucu sırasıyla timpanogram ve işitme kaybı tipi değerleri %75 ve %81 doğruluk payıyla tahminlenebilmiştir. SVM algoritması sonucu sırasıyla timpanogram ve işitme kaybı tipi değerleri %72 ve %74 doğruluk payıyla tahminlenebilmiştir. Catboost diğer algoritmalara göre daha iyi bir sonuç vermiştir. SMOTE yöntemi uygulandıktan sonra RandomForest algoritması ile timpanogram tahmininde alınan skor %94, işitme kaybı tipinin tahmininde alınan skor ise %89 olarak hesaplanmıştır. Örneklem sayısı arttırılarak ve öznitelik seçimi yapılarak model başarı oranı yükseltilebilir.

Özet (Çeviri)

Type of hearing loss and tympanometry are used in hearing measurements. The use of these tests is routine in clinics, but the interpretation of the measurements can lead to subjective results and errors. In this study, machine learning algorithms including CatBoost, Random Forest, and Support Vector Machine were used to predict tympanometry and types of hearing loss. Data obtained from pure tone audiometry, speech audiometry, and tympanometry tests were used for the prediction process. The results were evaluated through the comparison of the performances of the selected algorithms. The study aims to assess the effectiveness and suitability of machine learning approaches in determining types of hearing loss and tympanogram values. In the analysis, the CatBoost algorithm achieved prediction accuracies of 77% and 81% for tympanogram and types of hearing loss, respectively. The RandomForest algorithm achieved prediction accuracies of 75% and 81% for tympanogram and types of hearing loss, respectively. The SVM algorithm achieved prediction accuracies of 72% and 74% for tympanogram and types of hearing loss, respectively. CatBoost yielded better results compared to the other algorithms. After applying the SMOTE method, the score obtained for predicting tympanogram with the RandomForest algorithm is calculated as 94%, while the score obtained for predicting the type of hearing loss is 89%. Increasing the sample size and performing feature selection can enhance the model's success rate.

Benzer Tezler

  1. Görüntü işleme uygulanan odyogramların yapay sinir ağları ve koşullu ifadelerle işitme kaybı tipi ve derecesi yorumlarının karşılaştırılması

    Comparison of the type and degree of hearing loss with artificial neural networks and conditional expressions of audiograms applied to image processing

    YUSUF FAKİRULLAHOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Kulak Burun ve Boğazİstanbul Aydın Üniversitesi

    Odyoloji Ana Bilim Dalı

    PROF. BAHRİYE ÖZLEM KONUKSEVEN

  2. İşitme kayıplı hastalar için makine öğrenmesi ile işitme cihazı seçim sisteminin geliştirilmesi

    Development of hearing aid selection system with machine learning for patients with hearing loss

    ÜMİT CAN ÇETİNKAYA

    Doktora

    Türkçe

    Türkçe

    2023

    Kulak Burun ve Boğazİstanbul Aydın Üniversitesi

    Odyoloji Ana Bilim Dalı

    PROF. DR. BAHRİYE ÖZLEM KONUKSEVEN

  3. İşitme kaybı türü ve işitme kaybı derecesi belirlenmesinde iki metot karşılaştırılması: Yapay sinir ağları ve koşullu yapılarla kodlanan mobil uygulama

    Comparison of TWO methods in determining the type of hearing loss and the grade of hearing loss: mobile application coded with artificial neural networks and conditional structures

    AHMET YASİN DİŞÇİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Odyoloji Ana Bilim Dalı

    PROF. BAHRİYE ÖZLEM KONUKSEVEN

  4. Machine learning techniques for surface electromyography based hand gesture recognition

    Yüzey elektromiyografi temelli el jesti tanıma için makine öğrenmesi teknikleri

    ENGİN KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  5. Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN