Deep learning-based analysis of electrochemical, biomedical, and optical signals
Elektrokimyasal, biyomedikal ve optik sinyallerin derin öğrenme tabanlı analizi
- Tez No: 889194
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDURRAHMAN GÜMÜŞ, PROF. DR. DİLEK ODACI
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biotechnology, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoteknoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, derin öğrenme (DÖ) tekniklerinin çeşitli alanlardaki uygulamalarını inceleyerek, karmaşık verilerin tespiti, sınıflandırılması ve analizi konularında önemli iyileştirmeler sağlamaktadır. Çalışma, DÖ modellerini farklı analitik yöntemlerle entegre ederek performansı artırmayı amaçlamaktadır. Elektrokimyasal analiz alanında, CD36'nın tespiti ve sınıflandırılması için bir immünobiyosensör kullanılarak DÖ tabanlı bir yaklaşım geliştirilmiştir. Geleneksel teknikler, özellikle düşük analit konsantrasyonlarında duyarlılık ve hızlı analizde yetersiz kalmaktadır. Tek boyutlu evrişimli sinir ağı (1B-ESA) ve hibrit 1B-ESA – uzun kısa süreli bellek (UKSB) ağları gibi DÖ modellerinin entegrasyonu, biyosensörün duyarlılığını ve özgüllüğünü önemli ölçüde artırmıştır. Biyomedikal uygulamalarda, yüzey elektromiyografi (yEMG) sinyalleri kullanılarak el hareketlerinin sınıflandırılması için Vision Transformer (ViT) teknikleri kullanılmıştır. sEMG verileri, ileri zaman-frekans analizi (TFA) yöntemleri ve çeşitli ViT modelleri ile analiz edilerek yüksek doğruluk elde edilmiştir. Optik algılama alanında, Faza Duyarlı - Zaman Bölgesinde Optik Geriyansımalı Ölçüm Tekniği (Faz-OTDR) verilerinin analizi için DÖ teknikleri kullanılmıştır. DÖ yöntemlerinin Faz-OTDR tabanlı akım algılama sistemlerinin verimliliğini artırdığı gösterilmiştir. 1B-ESA, 1B-ESA – UKSB ve 1B-ESA – Çift yönlü UKSB modelleri kullanılarak, akım değerlerinin doğru bir şekilde sınıflandırılması sağlanmıştır. Ayrıca, optik sinyalleri görüntüye çevirme metodu uygulanarak, aktarımlı öğrenme modelleri ile yüksek sınıflandırma doğruluğu elde edilmiş ve veri depolama daha verimli hale getirilmiştir. Bu tez, DÖ tekniklerinin çeşitli analitik yöntemlerle entegrasyonunun önemli ilerlemeler sağlama potansiyelini göstermektedir. Çalışmalar, DÖ'nün veri analizi performansını artırmadaki çok yönlülüğünü, daha doğru, hassas ve verimli çözümler sunarak ortaya koymaktadır. Geliştirilen metodolojiler, diğer biyomarkerlar, sinyal türleri ve analitik zorluklara genişletilebilir.
Özet (Çeviri)
This thesis explores the applications of deep learning (DL) techniques across various domains, demonstrating significant improvements in the detection, classification, and analysis of complex data. The study integrates DL models with different analytical methods to enhance performance in several fields. In the field of electrochemical analysis, a DL-based approach using an immunobiosensor was developed for the detection and classification of CD36. Traditional techniques often fall short in sensitivity and rapid analysis, especially at low analyte concentrations. The integration of DL models such as 1D-CNN and hybrid 1D-CNN – LSTM networks significantly improved the biosensor's sensitivity and specificity. For biomedical applications, Vision Transformers (ViT) techniques were employed to classify hand movements using surface electromyography (sEMG) signals. By analyzing sEMG data with advanced time-frequency analysis (TFA) methods and various ViT models, high accuracy was achieved. In optical sensing, DL techniques were applied to analyze Phase-Optical Time-Domain Reflectometry (Phase-OTDR) data. The use of DL methods, including 1D-CNN, 1D-CNN – LSTM, and 1D-CNN – Bi-LSTM models, enhanced the efficiency of Phase-OTDR-based current sensing systems. Additionally, a method to convert optical signals into images for classification using Transfer Learning models was implemented, resulting in high classification accuracy and more efficient data storage. This thesis demonstrates the potential of integrating DL techniques with various analytical methods to achieve significant advancements. The studies show DL's versatility in enhancing data analysis performance, offering more accurate, sensitive, and efficient solutions. The methodologies developed can be extended to other biomarkers, signal types, and analytical challenges.
Benzer Tezler
- İmalat sistemlerinin tasarlanması ve öncelik kurallarının belirlenmesinde yapay sinir ağlarının kullanılması
<the use of neural networks in determination of the manufacturing systems design and dispatching rules
TARIK ÇAKAR
Doktora
Türkçe
1997
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. AYHAN TORAMAN
- Evrişimli sinir ağları ile DNA görüntülerinde hasar tespiti yönteminin geliştirilmesi
Development of a damage detection method in DNA images using convolutional neural networks
ALİ AKTAŞ
Doktora
Türkçe
2025
Mühendislik BilimleriTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CENGİZ GÜNGÖR
- Hiperspektral görüntülerde gerçek zamanlı hedef tespiti
Real time target detection in hyperspectral images
MURAT ŞİMŞEK
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKKI ALPARSLAN ILGIN
- İdrar kültürlerinden izole edilen coag (-) staphylococcus (s. epidrmidis ve s. saprophyticus)'ların idrar yolu enfeksiyonlarındaki yeri
The Place of coag (-) staphylococcus to the urinary tract infectron which are isolated from the urine cultures
SUMRU ÇITAK(KORMAN)
- Dondurularak saklamanın tavuk etinin bazı kalite özellikleri üzerine etkisi
Başlık çevirisi yok
Ö.EVREN ATASOY
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DR. SUMRU TÖMEK