Geri Dön

Biyomedikal sinyallerin makine öğrenmesi teknikleri kullanılarak sınıflandırılması

Classification of biomedical signals by machine learning techniques

PDF İndir

  1. Tez No: 877907
  2. Yazar: NARİN ASLAN
  3. Danışmanlar: DOÇ. DR. GONCA ÖZMEN KOCA, PROF. DR. ŞENGÜL DOĞAN
  4. Tez Türü: Doktora
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kontrol Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 157

Özet

Canlıların yaşamlarını sürdürmesinde ve yaşam kalitelerini yükseltmesinde hastalıkların erken tanısı çok önemlidir. Günümüzde her alanda başarı sağlayan makine öğrenme ve derin öğrenme algoritmaları bilimsel araştırma çalışmalarının önemli parçası haline gelmiştir. Biyomedikal görüntülerde gözle fark edilemeyen özelliklerin ortaya çıkartılması ve uygun parametreler ile makine öğrenme algoritmalarının performans kriterlerini iyileştirmek önemlidir. Bu tez çalışmasında, makine öğrenme algoritmalarını kullanılarak biomedikal sinyallerin sınıflandırılması ve hastalık teşhisindeki başarımların geliştirilmesi amaçlanmıştır. Bu kapsamda, üç farklı sınıfa ait akciğer röntgen görüntüleri, dört faklı sınıfa ait beyin tomografi görüntüleri ve stetoskoptan alınan on farklı sınıfa ait kalp sesi sinyali veri setleri kullanılmıştır. Bu tez kapsamında yapılan çalışmalarda;  Üç sınıflı akciğer röntgen görüntülerine derin öğrenme yöntemleri uygulanarak eğitimi yapılmıştır. Performans kriterlerini iyileştirmek amacıyla yinelemeli komşu bileşen analizi (YKBA), yinelemeli ReliefF ve yerel ikili model (YİM) özellik seçim yöntemleri eğitilen veri setine uygulanmıştır.  Dört sınıflı beyin tomografi görüntü veri setine, veri büyütme ve normalizasyon ön işlemi uygulanmıştır. Ön işleme tabi tutulan veri setine kısıtlı Boltzmann makinesi (KBM) yöntemiyle derin özellik çıkarımı yapılmıştır. Bu derin özellik verileri, Üretici Düşman Ağı (ÜDA) yönteminin üretici birimine girdi verisi olarak verilmiştir.  Stetoskoptan alınan on sınıfa sahip kalp sesi veri setine uygun ÜDA mimarisi tasarlanmıştır. ReliefF özellik seçim yöntemi bu veri setine uygulanmıştır. Ayrıca ÜDA parametrelerine balina optimizasyon yöntemi uygulanarak uygun parametre seçimi yapılmıştır. Bu deneysel çalışmaların üstünlükleri literatürdeki diğer çalışmalar ile performans kriterleri açısından karşılaştırılmıştır.

Özet (Çeviri)

Early diagnosis of diseases is very important for the survival of living beings and improving their quality of life. Today, machine learning and deep learning algorithms that provide success in every field have become an important part of scientific research studies. It is important to reveal the features that are not visible to the eye in biomedical images and to improve the performance criteria of machine learning algorithms with appropriate parameters. In this thesis study, it is aimed to classify biomedical signals and improve their success in disease diagnosis by using machine learning algorithms. In this context, three different classes of lung X-ray images, four different classes of brain tomography images and ten different classes of heart sound signal data sets taken from the stethoscope have been used. In the studies carried out within the context of this thesis;  Deep learning methods are applied to three-class lung X-ray images for training. In order to improve the performance criteria, iterative neighbor component analysis (INCA), iterative ReliefF and local binary model (LBM) feature selection methods are applied to the trained data set.  Data augmentation and normalization preprocessing are applied to the four-class brain tomography image dataset. Extraction deep feature is performed on the preprocessed dataset using the restricted Boltzmann machine (KBM) method. These deep feature data are given as input data to the generating unit of the generative adversarial network (GAN) method.  A UDA architecture is designed suitable for the ten-class heart sound dataset taken from the stethoscope. The ReliefF feature selection method is applied to this dataset. In addition, the whale optimization method is applied to the UDA parameters. The superiority of these experimental studies is compared with other studies in the literature in terms of performance criteria.

Benzer Tezler

  1. Tez No

    825575

    Parkinson hastalığının EEG sinyallerinden yapay zeka teknikleri kullanılarak sınıflandırılması

    Classification of parkinson's disease from EEG signals using artificial intelligence techniques

    SULTAN PENEKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA LATİFOĞLU

  2. Tez No

    813170

    Classification of hand gestures using time-frequency analysis and different artificial intelligence methods

    Zaman-frekans analizi ve farklı yapay zeka yöntemleri kullanılarak el hareketlerinin sınıflandırılması

    DENİZ HANDE KISA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve Teknolojiİzmir Katip Çelebi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

    PROF. DR. AYDIN AKAN

  3. Tez No

    897664

    EEG sinyallerinin sınıflandırılmasında kuantum tabanlı karar destek sisteminin gerçekleştirilmesi

    Implementation of a quantum-based decision support system for classification of EEG signals

    GAMZEPELİN AKSOY

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT KARABATAK

  4. Tez No

    815481

    Automated detection of endometrial and ovarian cancers by classification of urine-based FTIR spectroscopy signals using genetic algorithm, machine learning and deep learning methodologies

    İdrar tabanlı FTIR spektroskopi sinyallerinin genetik algoritma, makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak sınıflandırılması aracılığıyla rahim ve yumurtalık kanserlerinin otomatik teşhisi

    FATIME OUMAR DJIBRILLAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET EMİN YÜKSEL

  5. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

Geri Dön