Geri Dön

A healthcare artificial internet of medical things- based system for mental stress recognition

Sağlık bakımı temelli zihinsel stres tanıma için tıbbi nesnelerin yapay internet tabanlı sistemi

PDF İndir

  1. Tez No: 893867
  2. Yazar: FATIMA ZOHRA BOULANOUAR
  3. Danışmanlar: PROF. RAFET AKDENİZ, DR. ÖĞR. ÜYESİ MHD WASIM RAED
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Zihinsel stres tahmini, Makine öğrenimi sınıflandırıcı, Açıklanabilir model, AIoMT, LIME, SHAP, Mental stress prediction, Machine learning Classifier, Explainable model, AIoMT, LIME, SHAP
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 79

Özet

Zihinsel stres, gerginlik ve baskı hissiyle belirginleşir ve bireylerin iyi olma hali üzerinde önemli etkiler yaratır. Stresin zamanında ve doğru bir şekilde tespit edilmesi, etkili müdahale ve yönetim stratejilerinin uygulanması açısından büyük önem taşır. Bu çalışma, COVID-19 pandemisi sırasında hemşirelerden biyometrik veri toplamak amacıyla giyilebilir sensörler kullanmayı hedeflemektedir. Çalışmamızın temel amacı, SHAP ve LIME gibi Açıklanabilir Makine Öğrenimi (XML) yöntemlerini kullanarak stres seviyelerini açık bir şekilde yorumlayan makine öğrenimi modelleri geliştirmektir. Çalışmamızın merkezi bir yönü, model yorumlanabilirliğini korurken stres tahmin doğruluğunu artırmaktır. Bu amacı gerçekleştirmek için, Rastgele Orman (RF), Lojistik Regresyon (LR), K-En Yakın Komşu (KNN), Karar Ağacı (DT) ve LightGBM (LGBM) gibi çeşitli makine öğrenimi algoritmalarını kullandık. Bu algoritmalar arasında, Rastgele Orman modeli, kişiselleştirilmiş stres seviyelerini tespit etmede %99'a ulaşan en yüksek doğruluğu elde etti. Ancak, yüksek doğruluk (%84.41) ve üstün yorumlanabilirlik arasındaki denge nedeniyle XGBoost, tahminlerin arkasındaki nedenleri anlamanın kritik olduğu uygulamalar için özellikle uygun bulundu. Ayrıca, model performansını daha da artırmak için veri dengeleme, özellik ölçeklendirme, Temel Bileşen Analizi (PCA) ve hiperparametre optimizasyonu gibi teknikler de dahil ettik. Ek olarak, seçilen modellerin Internet of Medical Things (IoMT) uç cihazlarda kullanım için uygunluğunu sağlamak amacıyla hesaplama verimliliğini titizlikle değerlendirdik. Bu araştırma, özellikle stres tespiti için Erken Uyarı Sistemlerinin (EWS) geliştirilmesi alanında, makine öğreniminin sağlık hizmetlerindeki uygulamalarını önemli ölçüde ilerletmektedir. Erken stres tespitine vurgu yaparak, stresle ilgili sağlık bozuklukları için müdahale ve tedavi stratejilerini iyileştirmeyi amaçlıyoruz. Yorumlanabilirliğe olan bağlılığımız, sağlık çalışanlarının karmaşık durumlarda bilinçli kararlar almasına yardımcı olan açık ve eyleme geçirilebilir bilgiler almasını sağlar. Ayrıca, projemizin daha geniş önemi, ameliyat öncesi cerrahlar, uçuş öncesi pilotlar ve halka açık konuşmacılar gibi farklı mesleki alanlara kadar uzanır. Sistemimiz, zamanında ve hassas stres tespiti sağlayarak çeşitli profesyonel ortamlarda güvenliği ve performansı artırmayı amaçlamaktadır.

Özet (Çeviri)

Mental stress, characterized by feelings of tension and pressure, significantly impacts personal well-being. Prompt and accurate detection of stress is crucial for implementing effective intervention and management strategies. This study aims to utilize wearable sensors to collect biometric data from nurses during the COVID-19 pandemic. Our primary objective is to develop machine learning models that provide clear interpretations of stress levels, using Explainable Machine Learning (XML) methods such as SHAP and LIME. A key focus of our work is enhancing stress prediction accuracy while maintaining model interpretability. To achieve this, we employed various machine learning algorithms, including K-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), and XGBoost. Among these, the Random Forest model achieved the highest accuracy, reaching 99% in detecting personalized stress levels. However, XGBoost was selected for its balance between high accuracy (84.41%) and superior interpretability, making it particularly well-suited for applications where understanding the reasoning behind predictions is crucial. We also incorporated techniques such as data balancing, feature scaling, Principal Component Analysis (PCA), and hyperparameter optimization to further enhance model performance. Additionally, we meticulously evaluated the computational efficiency of the chosen models, ensuring their suitability for deployment on Internet of Medical Things (IoMT) edge devices. This research significantly advances the application of machine learning in healthcare, particularly in the development of Early Warning Systems (EWS) for stress detection. By emphasizing early stress detection, we aim to improve intervention and treatment strategies for stress-related health disorders. Our commitment to interpretability ensures that healthcare practitioners receive clear and actionable insights, aiding informed decision-making in complex situations. Furthermore, the broader significance of our project extends to diverse professional domains, such as assessing stress levels in pre-operative surgeons, pre-flight pilots, and public speakers. By providing timely and precise stress recognition, our system aims to enhance safety and performance across various professional settings.

Benzer Tezler

  1. Tez No

    690223

    Tıbbi nesnelerde iki yönlü internet iletişiminde bit hata oranının iyileştirilmesi

    Bit error rate reeducation over two-hop communication on internet of medical things

    NİHAT ALKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. ÖZGÜR ERTUĞ

  2. Tez No

    741599

    Sağlık işletmeleri için teletıp hizmet tasarımı: Bulanık kalite fonksiyon göçerimi uygulaması

    Teletıp service design for healthcare enterprises: Application of fuzzy quality function deployment

    MEVLÜT SERHAT ALTAŞ

    Doktora

    Türkçe

    Türkçe

    2022

    Sağlık Kurumları Yönetimiİstanbul Sabahattin Zaim Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. İBRAHİM GÜRAN YUMUŞAK

  3. Tez No

    944682

    A novel artificial intelligence approach to strengthen intrusion detection system for internet of medical things

    Medikal nesnelerin interneti için ağa sızmayı algılama sistemini güçlendirmeye yönelik yeni bir yapay zeka yaklaşımı

    GÖKHAN AKAR

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ONAT

    DOÇ. DR. ÜNAL ÇAVUŞOĞLU

  4. Tez No

    956363

    Attack detection in IoT systems using metaheuristic-enhanced quantum and classical machine learning techniques

    Metasezgisel yöntemlerle geliştirilmiş kuantum ve klasik makine öğrenme teknikleri kullanılarak IoT sistemlerinde saldırı tespiti

    MUHAMMED FURKAN GÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİT BAKIR

  5. Tez No

    931418

    Yapay zeka ile meme kanseri teşhisi

    Breast cancer diagnosis with artificial intelligence

    İLKER ÇAKAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED KÜRŞAD UÇAR

Geri Dön