Makine öğrenmesi ile öksürük seslerinden akciğer hastalıklarının sınıflandırılması
Classification of lung diseases from cough sounds using machine learning
- Tez No: 991350
- Danışmanlar: DR. ÖĞR. ÜYESİ TURGAY KOÇ
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mechanical Engineering, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ses işleme, İnsan-yapay zeka etkileşimi, Speech processing, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünya genelinde yüksek mortalite oranlarına sahip solunum yolu hastalıklarının teşhisinde; hızlı, düşük maliyetli ve nesnel yöntemlere duyulan ihtiyaç kritik düzeydedir. Bu doktora tezinde, öksürük gibi invaziv olmayan akustik biyometrik sinyaller kullanılarak solunum yolu hastalıklarının otomatik sınıflandırılmasını amaçlayan, açıklanabilir yapay zekâ (XAI) tabanlı bir karar destek sistemi geliştirilmiştir. Çalışma kapsamında, klinik ortamda toplanan öksürük kayıtları ile kitle kaynaklı veri setleri birleştirilerek heterojen bir kohort oluşturulmuştur. İlk iki aşamada, bu kohort üzerinden astım, kronik obstrüktif akciğer hastalığı (KOAH), pnömoni ve sağlıklı bireylerin çok sınıflı ayrımı ele alınmıştır. Bu kapsamda, ön-eğitimli ses gömücü modelleri (YAMNet ve VGGish) ile derin öğrenme tabanlı yaklaşımlar ortak bir değerlendirme altında incelenmiş; elde edilen özniteliklerin füzyonu sonucunda %77,8 doğruluk elde edilerek, özellik birleştirmenin tekil modellere kıyasla daha ayırt edici akustik temsiller sunduğu gösterilmiştir. Veri artırma stratejileri ve Dice Loss fonksiyonu kullanılarak makro F1-skoru %44'ten %69'a yükseltilmiş ve sınıf dengesizliği problemi önemli ölçüde azaltılmıştır. Üçüncü aşamada ise, problem tanımı ve araştırma amacı farklılaştırılarak hasta–sağlıklı ayrımına odaklanılmıştır. Segmentasyon optimizasyonu sonucunda 800 ms'lik pencere süresinin en uygun aralık olduğu belirlenmiş; mimari karşılaştırmalarda CNN-Attention modeli %96,2 doğruluk ve %95,7 makro F1-skoru ile en yüksek performansı sergilemiştir. Grad-CAM ve dikkat haritaları ile gerçekleştirilen açıklanabilirlik analizleri, modelin karar sürecinde gürültü yerine ayırt edici akustik ses bileşenlerine odaklandığını göstermiştir.
Özet (Çeviri)
Respiratory diseases with high global mortality rates require diagnostic approaches that are rapid, low-cost, and objective. In this doctoral dissertation, an explainable artificial intelligence (XAI)-based decision support system is developed to enable the automatic classification of respiratory diseases using non-invasive acoustic biometric signals, specifically cough sounds. Clinical cough recordings and crowdsourced datasets are integrated to construct a heterogeneous cohort. In the first two stages, this cohort is used to address the multi-class classification of asthma, chronic obstructive pulmonary disease (COPD), pneumonia, and healthy subjects. Within this framework, pretrained audio embedding models (YAMNet and VGGish) and deep learning-based approaches are jointly evaluated under a unified problem formulation. Feature fusion of embeddings extracted from YAMNet and VGGish achieves an accuracy of 77.8%, demonstrating that combined representations provide more discriminative acoustic features than individual models. Furthermore, the application of data augmentation strategies and the Dice Loss function increases the macro F1-score from 44% to 69%, substantially mitigating the class imbalance problem. In the third stage, the research objective and problem definition are restructured to focus on binary patient–healthy classification. Segmentation optimization identifies an 800 ms window length as the most suitable interval for preserving the temporal integrity of cough signals. Among the evaluated architectures, the CNN-Attention model achieves the highest performance, with 96.2% accuracy and a macro F1-score of 95.7%. Explainability analyses using Grad-CAM and attention maps indicate that the CNN-Attention model predominantly focuses on discriminative acoustic components rather than background noise during the decision-making process.
Benzer Tezler
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Enhance the performance of preprocessing techniques by using artificial intelligence algorithms
Yapay zeka algoritmaları kullanarak ön işleme tekniklerinin performansını artırın
HUMAM QUTAIBA ABDULRAHMAN AL-DOORI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ABDULLAHİ ABDUL IBRAHIM
- Cough sound analysis and classification
Öksürük sesinin analizi ve sınıflandırılması
HATİCE KÜBRA TURAN
Yüksek Lisans
İngilizce
2025
Mühendislik BilimleriBoğaziçi ÜniversitesiBiyomedikal Ana Bilim Dalı
PROF. DR. AHMET ADEMOĞLU
PROF. DR. ZEYNEP YASEMİN KAHYA
- Optimizasyon tabanlı öğrenme teknikleriyle COVID-19 ses verilerinin işlenmesi ve sınıflandırılması
Processing and classification of COVID-19 audio data with optimization-based learning techniques
YÜSRA DAĞILMA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDAL ÖZBAY
- Makine öğrenmesi kullanılarak pulmoner tromboemboli riski olan hastaların belirlenmesi
Determination of patients with pulmonary thromboembolism risk using machine learning
SENEM KOCA
Tıpta Uzmanlık
Türkçe
2022
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. AFŞİN EMRE KAYIPMAZ