Gıda uyaranlarından elde edilen biyo-sinyallerin işlenerek obeziteye yatkınlık tespiti
Determination of obesity tendency by processing bio-signals obtained from food stimuli
- Tez No: 894857
- Danışmanlar: DR. ÖĞR. ÜYESİ CEMİL ALTIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
Bu tezde, farklı vücut kitle indekslerine sahip katılımcılar görsel gıda uyaranlarına maruz bırakılırken kaydedilen 19 kanaldan alınan Elektroensefalografi (EEG) verilerini içeren benzersiz bir veri seti oluşturulmuştur. Ayrıca bu bireylere iki farklı yeme davranışı anketi uygulanmıştır. Elde edilen verilerle sınıflandırma ve regresyon işlemleri gerçekleştirilmiştir. Ana amaç, makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak normal kilolu ve aşırı kilolu/obez bireylerin beyin sinyallerindeki farklılıkları sınıflandırmaktır. Çalışmanın ilk kısmında geleneksel makine öğrenmesi yöntemleri ile sınıflandırma işlemi yapılmış ve yüksek doğrulukta sınıflandırma sonuçları elde edilmiştir. İkinci kısımda ise derin öğrenme yöntemleri kullanılmıştır. Burada aşırı uyumu ve veri dengesizliğini azaltmak için tablo veri artırımı kullanılmıştır. Ek olarak, EEG özelliklerini görüntülere dönüştürmek için Denetimli Tabular Meta Öğrenme (SuperTML) yöntemi kullanılmış ve bu tür veriler için yeni bir uygulama olmuştur. Sınıflandırma sonuçlarında, DenseNet-121 ile T4 kanalında 0,97'lik bir oranla en yüksek doğruluk elde edilmiştir. Bölgesel olarak, temporal alanda en iyi ortalama doğruluk oranlarına ulaşılmıştır. Çalışmada ayrıca, katılımcıların anket yanıtlarına Random Forest, eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) ve Oylama regresörü modelleri uygulanarak regresyon analizi yoluyla EEG verileri ile yeme davranışı arasındaki korelasyon araştırılmıştır. EEG verileri ile anketler arasında anlamlı bir ilişki tespit edilmiş ve LightGBM regresörü 0,966 R² değerine ulaşmıştır. Bu bulgular, mevcut literatüre kıyasla birçok açıdan üstün performans göstermektedir. Bu çalışma, derin öğrenme ve makine ağrenmesinin farklı vücut ağırlıklarına sahip bireylerde yeme davranışlarının altında yatan sinirsel mekanizmalara ilişkin anlayışa yeni bir boyut kazandırmakta ve bu alanda gelecekte yapılacak araştırmalar için sağlam bir metodolojik temel sunmaktadır.
Özet (Çeviri)
This thesis presents a unique dataset comprising Electroencephalography (EEG) data collected from 19 channels while participants with different body mass indices were exposed to visual food stimuli. Additionally, two different eating behaviour questionnaires were administered to these individuals. Classification and regression analyses were performed using the obtained data. The primary aim is to classify the differences in brain signals between normal weight and overweight/obese individuals using machine learning and deep learning methods. In the first part of the study, classification is performed using traditional machine learning methods, achieving high classification accuracy. In the second part, deep learning methods are employed. Tabular data augmentation is used to reduce overfitting and data imbalance. Furthermore, the Supervised Tabular Meta Learning (SuperTML) method is utilized to embed EEG features into images, marking a novel application for this type of data. The classification results indicate that DenseNet-121 achieved the highest accuracy with a rate of 0.97 in the T4 channel. Regionally, the temporal area provided the best average accuracy rates. The study also investigates the correlation between EEG data and eating behaviour through regression analysis by applying Random Forest, eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Voting regressor models to the participants' questionnaire responses. A significant relationship between EEG data and questionnaires is identified, with the LightGBM regressor reaching an R² value of 0.966. These findings demonstrate superior performance in many aspects compared to the existing literature. This study underscores the potential of deep learning and machine learning to enhance our understanding of the neural mechanisms underlying eating behaviours in individuals with different body weights and provides a robust methodological framework for future research in this area.
Benzer Tezler
- Ortoreksiya nervoza eğilimli bireylerde kalp hızı değişkenliğinin elektrofizyolojik olarak değerlendirilmesi
Evaluating heart rate variability electrophysiologically in individuals prone to orthorexia nervosa
HATİCE DAMLA AYAR
Yüksek Lisans
Türkçe
2024
FizyolojiNecmettin Erbakan ÜniversitesiFizyoloji Ana Bilim Dalı
DOÇ. DR. FAİK ÖZDENGÜL
- Gönüllü sadelik: Kentten köye göç eden bireylerde yeni bir tüketim deneyimi
Voluntary simplicity: A new consumption experience at people migrating from city to rural
SİNEM MAKUL
Yüksek Lisans
Türkçe
2020
İşletmeAkdeniz ÜniversitesiPazarlama Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞEN COŞKUN ÇELEN
- Optimization of hazelnut roasting process by using response surface methodology
Fındık kavurma işleminin yüzey tepki yöntemi kullanılarak optimizasyonu
SENA SAKLAR
Doktora
İngilizce
1999
Gıda MühendisliğiOrta Doğu Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT UNGAN
- Comparative analysis of cellulase production by torula thermophila and humicola insolens
Torula thermophila ve humicola insolens selülaz üretiminin karşılaştırmalı analizi
NAZAN ARİFOĞLU
Yüksek Lisans
İngilizce
1999
Gıda MühendisliğiOrta Doğu Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜMRÜT B. ÖGEL
- Use of polydextrose as a sugar and fat-replacer in high-ratio cakes
Polidekstrozun yüksek şeker oranı içeren keklerde şeker ve yağ yerine kullanımı
DİLEK KOÇER
Yüksek Lisans
İngilizce
1999
Gıda MühendisliğiOrta Doğu Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP KATNAŞ