Use of manifold learning methods and principal component analysis in various physiological signals
Çeşitli fizyolojik sinyaller üzerinde manifold öğrenme yöntemlerinin ve temel bileşen analizinin kullanımı
- Tez No: 926209
- Danışmanlar: DOÇ. DR. YALÇIN İŞLER
- Tez Türü: Doktora
- Konular: Biyoteknoloji, Mühendislik Bilimleri, Biotechnology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 155
Özet
Bu araştırmanın amacı, biyomedikal veri kümelerini göz önünde bulundurarak sınıflandırma için farklı veri azaltma yöntemlerinin ve makine öğrenimi algoritmalarının performansındaki iyileştirmeleri göstermektir. Analiz edilen üç alan vardır: SSVEP temelli bir BCI, konjestif kalp yetmezliği tanısı için hastalarda kalp hızı değişkenliğinin analizi ve genetik ve biyokimyasal veriler kullanılarak yumurtalık kanserini teşhis etmek için analiz. Burada, PCA ve bazı çok katlı öğrenme yöntemleri kullanan veri azaltma metodolojileri vurgulanmıştır. Bu EEG tabanlı SSVEP çalışmasında, kaydedilen sinyaller yedi farklı frekansta alınmıştır. Zaman, frekans ve zaman-frekans alanlarında özellik çıkarımından sonra, özellik azaltma PCA ve çok katlı öğrenme yaklaşımları t-SNE, Isomap ve LLE aracılığıyla yapılmıştır. Daha fazla sınıflandırma dokuz makine öğrenimi algoritmasının yardımıyla gerçekleştirilmiştir. Test edilen tüm makine öğrenimi teknikleri arasında, Naive Bayes en iyi performansı göstermiş ve PCA ile birlikte %80, 95'lik maksimum doğruluğu elde etmiş ve bu da PCA'nın küçük veri kümelerindeki mükemmelliğini tekrar göstermiştir. CHF tanı çalışmasında, PCA, sınıflandırma sonuçlarını önemli ölçüde iyileştiren HRV özelliklerine uygulandı. PCA, Random Forest algoritmasıyla birleştirildiğinde, doğruluk, özgüllük ve duyarlılık %100'e ulaştı. Bu, PCA'nın karmaşık özellik kümelerinde yüksek doğruluk için güçlü bir araç olduğunu kanıtlıyor. Yumurtalık kanseri çalışmasında, PCA ve çok katmanlı öğrenme yöntemleri arasında bazı karşılaştırmalar yapıldı. Birkaç sınıflandırıcı kullanılarak, LLE tarafından %99,8 doğruluk elde edildi ve daha az bileşenle PCA'yı geride bıraktı. Bu, LLE'nin büyük veri kümeleri ve karmaşık biyolojik veriler için çok etkili bir alternatif olabileceğini gösteriyor. PCA ve çok katmanlı öğrenme yöntemlerinin katkısı, biyomedikal uygulamalar için yüksek boyutlu verilerin işlenmesi ve analiz edilmesinde hayati öneme sahip olmuştur. Ayrıca, önerilen yöntemlerin çoğu yalnızca sınıflandırma performansında değil, aynı zamanda hesaplama maliyetinin azaltılmasında ve model açıklanabilirliğinde de iyileştirmeler göstermiştir. Bu bulgular, klinik uygulamalar ve biyomedikal araştırmalar için büyük bir potansiyel sunmaktadır.
Özet (Çeviri)
The aim of this research is to show the improvements in the performance of different data reduction methods and machine learning algorithms for classification, considering biomedical datasets. There are three areas analyzed: a BCI based SSVEP, the analysis of heart rate variability in patients for diagnosis with congestive heart failure, and analysis using genetic and biochemical data to diagnose ovarian cancer. Here, data reduction methodologies using PCA and some manifold learning methods have been emphasized. In this EEG-based SSVEP study, the recorded signals were taken at seven different frequencies. After feature extraction in time, frequency, and time-frequency domains, feature reduction was done through PCA and the manifold learning approaches t-SNE, Isomap, and LLE. Further classification was performed with the help of nine machine learning algorithms. Among all the tested machine learning techniques, Naive Bayes performed best and yielded the maximum accuracy of 80.95% in combination with PCA, showing again the excellence of PCA on small datasets. In the CHF diagnosis study, PCA was applied to the features of HRV, which significantly improved the classification results. When PCA was combined with the Random Forest algorithm, the accuracy, specificity, and sensitivity all reached 100%. This proves that PCA is a powerful tool for high accuracy in complex feature sets. In the ovarian cancer study, some comparisons were made between PCA and manifold learning methods. Using a few classifiers, 99.8% accuracy was reached by LLE, outperforming PCA with fewer components. This indicates that LLE can be a very effective alternative for large datasets and complex biological data. The contribution of PCA and manifold learning methods has been vital in processing and analyzing high-dimensional data for biomedical applications. In addition, most of the proposed methods have shown improvements not only in classification performance but also in computational cost reduction and model explainability. These findings offer great potential for clinical applications and biomedical research.
Benzer Tezler
- Çok sınıflı medikal görüntü sınıflandırması için melez derin öğrenme yaklaşımları
Hybrid deep learning approaches for the multi class medical image classification
ZELİHA KAYA AKÇELİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ
- Amlodipin ve valsartan'ın hipertansif hastalarda perilipin, irisin ve adropin seviyelerine etkisi
The effect of amlodipine and valsartan on the level of perilipin, irisin and adropin to hypertensve patients
NERMİN AKKAYA
Yüksek Lisans
Türkçe
2014
BiyokimyaTurgut Özal ÜniversitesiTıbbi Biyokimya Ana Bilim Dalı
DOÇ. DR. HÜSAMETTİN ERDAMAR
- Zaman yönetiminin hemşirelerin iş verimine etkisi (İzmir Dr. Behçet Uz Çocuk hastalıkları ve cerrahisi eğitim ve araştırma hastanesi örneği)
Effects of time management on nurses job efficiency (İzmir Dr. Behçet Uz Pediatric Desase and Surgery Training and Research Hospital Sample)
ELİF DALKIRAN
Yüksek Lisans
Türkçe
2014
HastanelerBeykent Üniversitesiİşletme Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. ŞEFİKA DEMİRKAN
- Dokulu ve dokusuz yüzeylerde baskı sistemlerini devreye sokarak yeni teknolojilerle üretilen kumaşların test ve sonuçları
The tests and results of the fabrics that are put in production by printing process through new technologies on wowen and non-wowen surfaces
MÜGE YÜKSEL
Yüksek Lisans
Türkçe
2012
Tekstil ve Tekstil MühendisliğiHaliç ÜniversitesiTekstil ve Moda Tasarımı Ana Sanat Dalı
YRD. DOÇ. H. ALTAN ORAN
- Kök kanal tedavisi esnasında ve sonrasında ortaya çıkan flare-up ile ilgili olan faktörler
Factors related with flare-up during or after root canal treatment
BUĞRA GÜLER
Doktora
Türkçe
2014
Diş HekimliğiOndokuz Mayıs ÜniversitesiEndodonti Ana Bilim Dalı
PROF. DR. HİKMET AYDEMİR