Geri Dön

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

PDF İndir

  1. Tez No: 945036
  2. Yazar: BARIŞ KÜÇÜK
  3. Danışmanlar: PROF. DR. ATABEY KAYGUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Matematik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 107

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

  1. Tez No

    822410

    İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti

    Anomaly detection with machine learning on air conditioning systems

    REFİK KİBAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK

    DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR

  2. Tez No

    828572

    InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği

    Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport

    NUR YAĞMUR

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

    PROF. DR. ERDAL ŞAFAK

  3. Tez No

    538638

    Derin öğrenme yöntemleri ile zaman serisi tahmini

    Time series classification with deep learning methods

    HAKAN GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  4. Tez No

    947326

    Makine öğrenmesi yöntemleriyle EKG sinyallerinde solunum tespiti

    Respiration detection in ECG signals using machine learning methods

    SONA SEMSARI PARAPARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Kültür Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESRA SAATÇI

  5. Tez No

    903919

    Mobil cihaz sensörlerinden gelen PPG sinyallerini kullanarak kandaki glikoz seviyesinin ve böbrek yetmezliğinin makine öğrenmesi ile tahmini

    Prediction of blood glucose level and kidney failure using PGG signals from mobile device sensors via machine learning

    TAHA ELHARİRİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET REŞİT KAVSAOĞLU

    DOÇ. DR. EFTAL ŞEHİRLİ

Geri Dön