A case study in time series classification using machine learning and deep learning
Makine öğrenmesi ve derin öğrenme kullanılarak zaman serilerinin sınıflandırılması: Bir vaka çalışması
- Tez No: 945036
- Danışmanlar: PROF. DR. ATABEY KAYGUN
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mathematics, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, EEG, Makine öğrenmesi, Deep learning, Machine learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, alkolizmle ilgili genetik yatkınlık ile ilişkili kalıpları keşfetmek için elektroensefalogram (EEG) verilerinin analizi ve sınıflandırılmasına odaklanmaktadır. EEG sinyallerinin sınıflandırılması, nörolojik durumların teşhisinde ve beyin-bilgisayar arayüzü (BCI) sistemlerinin geliştirilmesinde önemli bir rol oynamaktadır. Bu çalışmanın temel amacı, geleneksel makine öğrenimi ve derin öğrenme modellerini kullanarak EEG verilerinin zaman-frekans temsillerine, özellikle spektrogram görüntülerine dayalı bir sınıflandırma süreci geliştirmek ve değerlendirmektir. Bu çalışma ayrıca çeşitli yaklaşımların performansını karşılaştırmayı ve tıbbi uygulamalarda sınıflandırma doğruluğunun pratik etkilerini tartışmayı amaçlamaktadır. Çalışmada, sinyal kalitesini ve temsilini iyileştirmek için Tekil Spektrum Analizi (SSA) yoluyla gürültü giderme ve Kısa Süreli Fourier Dönüşümü (STFT) gibi spektral dönüşümler dahil olmak üzere çeşitli ön işleme yöntemleri kullanılmıştır. Hem klasik makine öğrenimi algoritmaları (ör. Lojistik Regresyon, Destek Vektör Makineleri ve Boosting algoritmaları) hem de derin öğrenme mimarileri (ör. CNN, LSTM ve Bi-LSTM) değerlendirilmiştir. Modelleme süreci boyunca, bu modellerin performansını iyileştirmek için çeşitli optimizasyon teknikleri uygulanmıştır. Genel olarak, EEG verilerinde yüksek sınıflandırma doğruluğu elde etmek için en etkili algoritmaları belirlemek amaçlanmıştır. Deney sonuçları, CNN ve Bi-LSTM gibi derin öğrenme modellerinin, geleneksel makine öğrenimi algoritmalarına kıyasla EEG sinyal sınıflandırmasında üstün performans gösterdiğini ortaya koymaktadır. Bu modeller, doğru yorumlama için kritik öneme sahip olan EEG verilerinin karmaşık zamansal, uzamsal ve doğrusal olmayan dinamiklerini etkili bir şekilde yakalamaktadır. Klasik makine öğrenimi teknikleri arasında, boosting algoritmaları genellikle derin öğrenme yaklaşımları kadar iyi performans göstermemektedir, ancak rekabetçi sonuçlar ortaya koymuşlardır. Ayrıca, çalışma örnekleme oranlarının model doğruluğu üzerindeki etkisini vurgulamakta ve sınıflandırma performansını en üst düzeye çıkarmak için optimal frekans çözünürlüğünün önemli olduğunu göstermektedir. Bu araştırma, EEG sinyal işleme konusundaki anlayışa katkıda bulunmakta ve klinik tanı alanında potansiyel uygulamaları olan EEG tabanlı sınıflandırma görevleri için kapsamlı bir çerçeve sunmaktadır.
Özet (Çeviri)
This thesis focuses on the analysis and classification of electroencephalogram (EEG) data to discover patterns related to genetic predisposition to alcoholism. Classification of EEG signals plays a crucial role in the diagnosis of neurological conditions and the development of brain-computer interface (BCI) systems. The primary aim of this study is to develop and evaluate a classification pipeline based on time-frequency representations of EEG data, particularly spectrogram images, using both traditional machine learning and deep learning models. This study also seeks to compare the performance of various approaches and discuss the practical implications of classification accuracy in medical applications. The study used various pre-processing methods including denoising via Singular Spectrum Analysis (SSA) and spectral transformations such as Short Time Fourier Transform (STFT) to improve signal quality and representation. Both classical machine learning algorithms (e.g., Logistic Regression, Support Vector Machines and boosting algorithms) and deep learning architectures (e.g., CNN, LSTM and Bi-LSTM) were evaluated. Various optimization techniques have been applied throughout the modeling process to improve the performance of these models. In general, it is aimed to determine the most effective algorithms to achieve high classification accuracy on EEG data. Experimental findings show that deep learning models such as CNN and Bi-LSTM provide superior performance in EEG signal classification compared to traditional machine learning algorithms. These models effectively capture the complex temporal, spatial and nonlinear dynamics of EEG data that are critical for accurate interpretation. Among classical machine learning techniques, boosting algorithms have demonstrated competitive results, although they generally do not perform as well as deep learning approaches. Furthermore, the study highlights the impact of sampling rates on model accuracy and shows that optimal frequency resolution is important to maximize classification performance. This research contributes to the understanding of EEG signal processing and provides a comprehensive framework for EEG-based classification tasks with potential applications in the field of clinical diagnosis.
Benzer Tezler
- Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi
Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)
BİRCAN ERGÜR
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA ÇATALTEPE
- Sensor platform based on environmental sensing and data fusion
Çevresesel etmenleri algılayan sensör platformu ve verianalizi
MUHAMMAD ALI NAGARIA
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Gömülü sistemlerde sesli komut tanıma
Voice command recognation in embedded systems
CAN ÇETİN
Yüksek Lisans
Türkçe
2020
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Makine öğrenmesi teknikleriyle mikrodalga meme kanserinin tespiti ve konumunun belirlenmesi
Detection and localization of microwave breast cancer by machine learning techniques
ELİF TÖLÜK
Yüksek Lisans
Türkçe
2022
MatematikYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR