Geri Dön

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

PDF İndir

  1. Tez No: 926209
  2. Yazar: BARTU YEŞİLKAYA
  3. Danışmanlar: DOÇ. DR. YALÇIN İŞLER
  4. Tez Türü: Doktora
  5. Konular: Biyoteknoloji, Mühendislik Bilimleri, Biotechnology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Tez No

    901033

    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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ

  2. Tez No

    834012

    Müşteri ilişkileri yönetimi için manifold öğrenme ile denetimli doğrusal olmayan boyut indirgeme

    Başlık çevirisi yok

    BEYTULLAH YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATMA PATLAR AKBULUT

  3. Tez No

    482313

    Online nonlinear modeling for big data applications

    Büyük veri uygulamaları için onlıne non lineer olmayan modelleme

    FARHAN KHAN

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. SÜLEYMAN SERDAR KOZAT

  4. Tez No

    951797

    Anket verilerinin analizinde makine öğrenmesi modellerinin kullanımı

    Use of machine learning models in analyzing survey data

    MERİÇ HACIOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İBRAHİM ZOR

  5. Tez No

    917053

    Multidimensional digital game and learning space for basic design studio: Manifold Garden

    Temel tasarım stüdyosu için çok boyutlu dijital oyun ve öğrenme ortamı: Manifold Garden

    MEHTAP KEKLİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    MimarlıkTOBB Ekonomi ve Teknoloji Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. AKTAN ACAR

Geri Dön