Yazar "Aras, Selim" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Depresyonda motor aktivitenin makine öğrenmesi ile değerlendirilmesi(2024) Aras, Selim; Aras, Neriman; Engin, M. AlptekinPsikiyatrik hastalıkların neredeyse tümünde olduğu gibi depresyonun da klinik olarak değerlendirilmesi gözleme ve subjektif hasta şikâyetlerine dayanmaktadır. Psikomotor retardasyon (gerileme) depresyonun önde gelen semptomlarından biridir ve bunun göstergesi olarak depresyonlu hastalarda fiziksel aktivite azalır. Bu çalışmada, depresyonu olan ve olmayan bireylerin günlük fiziksel aktivite verileri ile oluşturulmuş bir veri setini referans olarak kullanarak, depresyon tanısı için makine öğrenimi temelli objektif bir tanı destekleyici yöntem geliştirmek amaçlanmıştır. Geniş bir öznitelik araştırması yapıldıktan sonra, Fisher Öznitelik Seçimi ile en iyi dört öznitelik belirlenmiş ve Toplu Torbalı Ağaç yöntemini kullanarak 0,88 doğruluk ile referans çalışmasından daha iyi bir sınıflandırma sonucu elde edilmiştir. Ayrıca, referans çalışma ile karşılaştırmak için sınırlandırılan dört öznitelikten daha fazlası seçildiğinde doğruluğun 0,90’nın üzerine çıktığı belirlenmiştir. Böylece, fiziksel aktivite verilerini kullanarak geliştirilen makine öğrenimi temelli yöntemle depresyonu olan ve olmayan bireyleri yüksek doğruluk payı ile ayırt edilmesi başarılmıştır. Bu çalışma, aktivite verilerinin depresyonda tanı destekleyici bir araç olarak kullanılabileceğine dair umut verici sonuçlar ortaya koymuştur. Elde edilen sonuçlar, fiziksel aktivite gibi farklı biyobelirteçlerin de makine öğrenimi ile birlikte kullanıldığında, psikiyatrik değerlendirmedeki objektif tanı destekleyici kriterlerin eksikliğini giderebilecek potansiyele sahip olduğunu göstermektedir.Öğe Extraction of low-dimensional features for single-channel common lung sound classification(Springer Heidelberg, 2022) Engin, M. Alptekin; Aras, Selim; Gangal, AliIn this study, feature extraction methods used in the classification of single-channel lung sounds obtained by automatic identification of respiratory cycles were examined in detail in order to extract distinctive features at the lowest size. In this way, it will be possible to design a system for the detection of lung diseases, completely autonomously. In the study, automatic separation and classification of 400 respiratory cycles were performed from the single-channel common lung sounds obtained from 94 people. Leave one out cross validation (LOOCV) was used for the calibration and validation of the classification model. The Mel frequency cepstrum coefficients (MFCC), time domain features, frequency domain features, and linear predictive coding (LPC) were used for classification. The performance of the features was tested using linear discriminant analysis (LDA), k-nearest neighbors (k-NN), support vector machines (SVM), and naive Bayes (NB) classification algorithms. The success of combinations of features was explored and enhanced using the sequential forward selection (SFS). As a result, the best accuracy (90.14% in the training set and 90.63% in the test set) was acquired using the k-NN for the triple combination, which included the standard deviation of LPC and the standard deviation and the mean of MFCC.Öğe GÖMÜLÜ VE SARICI ÖZNİTELİK SEÇİM YÖNTEMLERİNİN KULLANILMASI İLE AKCİĞER RAHATSIZLIKLARININ TESPİTİ(2022) Engın, Mustafa Alptekın; Aras, SelimSon yıllarda biyomedikal sinyal işleme alanındaki gelişmelere rağmen, akciğer rahatsızlıklarının tespiti üzerine hızlı ve yüksek doğrulukta çalışan teşhis sistemlerine duyulan ihtiyaç artmaktadır. Yapılan çalışmada fiziki muayene ile 94 farklı kişiden, solunum döngülerinin otomatik olarak tespit edilmesiyle elde edilen 150 adet normal ve 444 adet normal olmayan akciğer sesleri veri tabanı olarak kullanılmıştır. Sınıflandırmada öznitelik olarak frekans ve zaman bölgesinde 12 farklı yöntem uygulanmıştır. Elde edilen öznitelikler gömülü ve sarıcı öznitelik seçim yöntemleri kullanılarak değerlendirilmiştir. Bu yöntemler; özyinelemeli öznitelik eliminasyonu, uyarlanabilir yapı öğrenimi ile öznitelik seçimi, bağımlılık kılavuzlu denetimsiz öznitelik seçimi, sıralı yerellik ile denetimsiz öznitelik seçimi, içbükey küçültme yoluyla öznitelik seçimi, en küçük mutlak büzülme ve seçim operatörü öznitelik seçim yöntemleri olarak isimlendirilmektedir. İncelenen bu öznitelikler doğrusal destek vektör makineleri, k en yakın komşuluk, karar ağaçları ve naive Bayes yöntemleri ile sınıflandırılmıştır. Sonuç olarak öznitelik sayısının sınırlandırılmadığı durum için, özyinelemeli öznitelik eliminasyonu yönteminin k en yakın komşuluk sınıflandırma ile beraber kullanıldığı durum için %97,3 doğruluk değerindeki başarıma ulaşılmaktadır. Öznitelik sayısının üç ile sınırlandırıldığı durumda ise uyarlanabilir yapı öğrenimi ile öznitelik seçimi yönteminin karar ağaçları yöntemi ile beraber kullanılması ile %91,4 değerinde başarıma ulaşılmıştır. Sınıflandırmada solunum döngülerinin otomatik tespit edilmesi ve en uygun özniteliklerin seçilmesi aracılığı ile yüksek doğruluk değerine ulaşılmıştır.Öğe Gömülü ve Sarıcı Öznitelik Seçim Yöntemleri Kullanılarak Akciğer Rahatsızlıklarının Tespiti(2022) Engin, Mustafa Alptekin; Aras, SelimSon yıllarda biyomedikal sinyal işleme alanındaki gelişmelere rağmen, akciğer rahatsızlıklarının tespiti üzerine hızlı ve yüksek doğrulukta çalışan teşhis sistemlerine duyulan ihtiyaç artmaktadır. Yapılan çalışmada fiziki muayene ile 94 farklı kişiden, solunum döngülerinin otomatik olarak tespit edilmesiyle elde edilen 150 adet normal ve 444 adet normal olmayan akciğer sesleri veri tabanı olarak kullanılmıştır. Sınıflandırma işleminde öznitelik olarak frekans ve zaman bölgesinde 12 farklı yöntem uygulanmıştır. Tüm veriler %80 eğitim %20 test aşamasında kullanılacak şekilde ikiye bölünmüştür. Elde edilen öznitelikler gömülü ve sarıcı öznitelik seçim yöntemleri kullanılarak değerlendirilmiştir. Bu yöntemler; özyinelemeli öznitelik eliminasyonu, uyarlanabilir yapı öğrenimi ile öznitelik seçimi, bağımlılık kılavuzlu denetimsiz öznitelik seçimi, sıralı yerellik ile denetimsiz öznitelik seçimi, içbükey küçültme yoluyla öznitelik seçimi, en küçük mutlak büzülme ve seçim operatörü öznitelik seçim yöntemleri olarak isimlendirilmektedir. İncelenen bu öznitelikler doğrusal destek vektör makineleri, k en yakın komşuluk, karar ağaçları ve naive bayes yöntemleri ile sınıflandırılmıştır. Sonuç olarak öznitelik sayısının sınırlandırılmadığı durum için, özyinelemeli öznitelik eliminasyonu yönteminin k en yakın komşuluk sınıflandırma ile beraber kullanıldığı durum için %97,3 doğruluk değerindeki başarıma ulaşılmaktadır. Öznitelik sayısının üç ile sınırlandırıldığı durumda ise uyarlanabilir yapı öğrenimi ile öznitelik seçimi yönteminin karar ağaçları yöntemi ile beraber kullanılması ile %91,4 değerinde başarıma ulaşılmıştır.
