Derin Öğrenme Teknikleri ile Nörolojik Hasta Sesi Sınıflandırma
Neurological Patient Voice Classification With Deep Learning Techniques
- Tez No: 894023
- Danışmanlar: DR. ÖĞR. ÜYESİ EMEL SOYLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Nörolojik hastalıkların teşhisinde ses analizi, objektif bir parametre olarak kullanılabilen potansiyel bir araçtır. Hastalık süreci, nörolojik hastalıklı bireylerin ses sinyallerini farklı derecelerde etkileyebilmektedir. Bu durum sesin hastalık teşhisinde kullanılabilirliğini artırmaktadır. Bu çalışma, nörolojik hastalıkların teşhisinde ses analizi temel alınarak bir yöntem geliştirme amacını taşımaktadır. Çalışma, nörolojik hastalıklı bireylere yönelik bir ses tabanlı sınıflandırma yöntemi sunmaktadır. Bu amaçla, nörolojik hastalık tanısı almış bireylere bir cümle söyletilerek ses kayıtları alınmıştır. Elde edilen ses kayıtları, bilgisayar ortamında işlenerek, kişinin Multipl Skleroz (MS) hastası, sağlıklı bir birey veya diğer nörolojik hastalıklardan birine sahip olup olmadığını sınıflandırmak için kullanılmıştır. Ses kayıtları, Hızlı Fourier Dönüşümü (HFD) gibi sinyal işleme teknikleri kullanılarak spektrogram adı verilen görsel temsillere dönüştürülerek veri seti oluşturulmuştur. Eğitim verisi, transfer tabanlı derin öğrenme teknikleri kullanılarak VGG16, VGG19, EfficientNetV2B3 ve Görsel Transformer (ViT-Vision Transformers) tabanlı ViT-Base-Patch16-224-in21k modellerinin yeniden eğitimi için kullanılmıştır. Test verisi ile modeller test edilerek kişinin sesi MS ve diğer nörolojik hastalıklar ya da sağlıklı bir bireye ait olup olmadığına göre sınıflandırılmıştır. Bu çalışma ile, nörolojik hastalıkların teşhisinde ses analizi için derin öğrenme tekniklerinin kullanılması gerçekleştirilmiştir. Kullanılan dört modelde de %96'ın üzerinde bir genel doğruluk değeri bu yöntemin nörolojik hastalık teşhisi için kullanılabileceğini göstermektedir. Bu da yeni bulguların ve yöntemlerin keşfi için bir temel oluşturarak nörolojik hastalıkların daha iyi anlaşılmasına ve tedavi edilmesine fırsatları sunmaktadır. Bu tez çalışması, nörolojik hastalık teşhisinin yeni bir yaklaşımını sunmaktadır ve nörolojik hastalıkların teşhisi ve tedavisi konusundaki çabaları desteklemeyi hedeflemektedir.
Özet (Çeviri)
Voice analysis is a potential tool that can be used as an objective parameter in the diagnosis of neurological diseases. The disease process can affect the voice signals of individuals with neurological diseases to different degrees. This increases the usability of voice in disease diagnosis. This study aims to develop a method based on voice analysis in the diagnosis of neurological diseases. The study presents a voice-based classification method for individuals with neurological diseases. For this purpose, individuals diagnosed with neurological diseases were asked to say a sentence and voice recordings were made. The audio recordings obtained were processed in a computer environment and used to classify whether the person was a Multiple Sclerosis (MS) patient, a healthy individual, or had one of the other neurological diseases. The data set was created by converting audio recordings into visual representations called spectrograms using signal processing techniques such as Fast Fourier Transform (HFD). The training data was used to retrain VGG16, VGG19, EfficientNetV2B3 and ViT-Vision Transformers based ViT-Base-Patch16-224-in21k models using transfer-based deep learning techniques. Models were tested with test data and the person's voice was classified according to whether it belonged to MS and other neurological diseases or a healthy individual. With this study, deep learning techniques were used for voice analysis in the diagnosis of neurological diseases. An overall accuracy value of over 96% in all four models used shows that this method can be used for neurological disease diagnosis. This provides opportunities for better understanding and treatment of neurological diseases by providing a basis for the discovery of new findings and methods. This thesis study offers a new approach to neurological disease diagnosis and aims to support efforts in the diagnosis and treatment of neurological diseases.
Benzer Tezler
- Bazal ganglıonların mıkrocerrahı ve ak madde dıseksıyonu ıle 3 boyutlu anatomısı
Başlık çevirisi yok
AHMET YAPRAK
Tıpta Uzmanlık
Türkçe
2024
AnatomiSağlık BakanlığıBeyin-Sinir ve Omurilik Cerrahisi Ana Bilim Dalı
PROF. HÜSEYİN HAYRI KERTMEN
- Automatic detection of Alzheimer's disease with transfer learning and image processing techniques
Transfer öğrenme ve görüntü işleme teknikleri ile Alzheimer hastalığının otomatik tespiti
ATILAY YEŞİLADA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN GÖKALP
- Classification of Parkinson's disease using deep learning techniques on finger, hand and tremor data
Derin öğrenme teknikleri kullanarak parmak, el ve titreme verileriyle Parkinson hastalığının sınıflandırılması
BEYZA GÜL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK
- Derin öğrenme yöntemleriyle Parkinson hastalığı teşhisi
Parkinson's disease diagnosis with deep learning methods
CEM GÖKTUĞ
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. OĞUZ KAYNAR
- Açıklanabilir yapay zekâ teknikleri ile parkinson hastalık teşhisi
Diagnosis of parkinson's disease with explainable artificial intelligence techniques
TUĞÇE KAÇAR
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ONUR OLGUN