Yazar "Engin, M. Alptekin" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Depresyonda motor aktivitenin makine öğrenmesi ile değerlendirilmesi
    (2024) Aras, Selim; Aras, Neriman; Engin, M. Alptekin
    Psikiyatrik 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.
  • Küçük Resim Yok
    Öğe
    Extraction of low-dimensional features for single-channel common lung sound classification
    (Springer Heidelberg, 2022) Engin, M. Alptekin; Aras, Selim; Gangal, Ali
    In 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.
  • Küçük Resim Yok
    Öğe
    Rotation Invariant Feature Extraction of Handwritten Signature Images
    (Institute of Electrical and Electronics Engineers Inc., 2021) Engin, M. Alptekin
    This paper presents extraction of rotation invariant features of handwritten signature images for classification. Initially, curvelet transform was applied to all signature image in the database. The mean and standard deviation values of each curvelet sub bands were used as features. Rotation invariance was obtained by applying cycle shift around the total spectral energy values of curvelet sub bands. Then, the classification process was carried out with the obtained features. The performance was compared with the method without cycle shift. As a result, it has been determined that the presented method gives the most successful accuracy using the support vector machine classifier. © 2021 IEEE.