Yazar "Aras, Selim" seçeneğine göre listele
Listeleniyor 1 - 7 / 7
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Deep Learning-Based Classification of Common Lung Sounds via Auto-Detected Respiratory Cycles(MDPI, 2026) Engin, Mustafa Alptekin; Uzun Arslan, Rukiye; Senyer Yapici, Irem; Aras, Selim; Gangal, AliChronic respiratory diseases, the third leading cause of mortality on a global scale, can be diagnosed at an early stage through non-invasive auscultation. However, effective manual differentiation of lung sounds (LSs) requires not only sharp auditory skills but also significant clinical experience. With technological advancements, artificial intelligence (AI) has demonstrated the capability to distinguish LSs with accuracy comparable to or surpassing that of human experts. This study broadly compares the methods used in AI-based LSs classification. Firstly, respiratory cycles-consisting of inhalation and exhalation parts in LSs of different lengths depending on individual variability, obtained and labelled under expert guidance-were automatically detected using a series of signal processing procedures and a database was obtained in this way. This database of common LSs was then classified using various time-frequency representations such as spectrograms, scalograms, Mel-spectrograms and gammatonegrams for comparison. The utilisation of proven, convolutional neural network (CNN)-based pre-trained models through the application of transfer learning facilitated the comparison, thereby enabling the acquisition of the features to be employed in the classification process. The performances of CNN, CNN and Long Short-Term Memory (LSTM) hybrid architecture and support vector machine methods were compared in the classification process. When the spectral structure of gammatonegrams, which capture the spectral structure of signals in the low-frequency range with high fidelity and their noise-resistant structures, is combined with a CNN architecture, the best classification accuracy of 97.3% +/- 1.9 is obtained.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 Enhancing salt stress tolerance in sugar beet via TiO2 nanoparticles: a machine learning approach(Taylor & Francis Inc, 2026) Engin, Mustafa Alptekin; Sefaoglu, Firat; Gul, Volkan; Aras, Selim; Kaynar, DilaraIn this study, the biostimulant potential of titanium dioxide (TiO2) nanoparticles was investigated to enhance sugar beet (Beta vulgaris L.) seed response to salt stress. Controlled applications were conducted at different NaCl (0-200 mM) and TiO2 (0-1,800 ppm) levels, and eight key morphological and physiological parameters were evaluated. In the first stage, the individual and interactive effects of the factors were examined using a two-way analysis of variance. Then, various machine learning-based regression models, primarily the Gradient Boosting algorithm, were used to numerically model plant responses. Based on the high-accuracy models, optimal application combinations were determined for each parameter and visualized using graphical surface analyses. Additionally, the most suitable overall TiO2 dosage for each salt level was calculated using a multi-criteria scoring system that assigned equal weight to all parameters. The results revealed that TiO2 exerts a regulatory and protective effect on plants against salt stress, with this effect varying with both dosage level and environmental stress severity. The study demonstrates that nanotechnological initiatives can be integrated into data-driven agricultural strategies to optimize stress management.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.Öğe Tek Kanallı Akciğer Seslerinde Süzgeç Tipi Özellik Seçim Yöntemlerini Kullanarak Solunum Patolojisinin Teşhisi(Osman SAĞDIÇ, 2022) Engin, Mustafa Alptekin; Akçay, Latif; Aras, SelimYapılan çalışmada, tek kanallı yaygın akciğer sesleri kullanılarak patolojik ve sağlıklı denekler üzerinde detaylı bir öznitelik analizi gerçekleştirilmiştir. 94 kişiden elde edilen normal, ronküs, ince ral ve kaba ral seslerine ait 594 adet solunum döngüsünün otomatik tespiti ile elde edilen veri tabanı kullanılmıştır. Daha sonra, sıfır geçiş oranı, enerji, enerjinin entropisi, spektral merkezilik, bir çerçevenin yayılımı, spektral entropi, spektral akı, spektral devrilme, Mel-frekans cepstral katsayıları, harmonik oran, pencerenin temel frekansı ve renk vektörü öznitelik çıkarma yöntemleri veri tabanına uygulanmıştır. Sonsuz gizli öznitelik seçimi, sonsuz öznitelik seçimi, özvektör merkeziliği, minimum artıklık, maksimum ilgililik, relief, karşılıklı bilgi, laplace skoru, çoklu küme, fisher, denetimsiz ayrımcı, yerel öğrenmeye dayalı kümeleme, korelasyona dayalı öznitelik seçim yöntemleri eğitim aşamasında kullanılmıştır. Sınıflandırma için destek vektör makinesi, k en yakın komşu, naive bayes ve karar ağaçları algoritmaları kullanılmıştır. Sonuç olarak, öznitelik sayısı sınırlı olmadığı durumda, k en yakın komşuluk sınıflandırıcısı ve çoklu küme öznitelik seçim yöntemi kullanılarak %97,5 sınıflandırma doğruluğu elde edilmiştir. Öznitelik sayısı 3 ile sınırlandırıldığında ise k en yakın komşu sınıflandırıcısı ve özvektör merkeziliği veya sonsuz öznitelik seçimi yöntemleri kullanılarak %91,6 sınıflandırma doğruluğu elde edilmektedir.
