Yazar "Engin, Mustafa Alptekin" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
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 Machine Learning-Based Material Thickness and Type Classification via Scattering Parameters(Mdpi, 2025) Engin, Mustafa Alptekin; Cakir, MehmetThe precise determination of material type and thickness is of major significance in non-destructive testing, quality assurance, and materials science, as it influences the functionality, reliability, and performance of materials in engineering applications. This study proposes a methodology for the classification of material thickness and type through the analysis of scattering parameters within the 8-12 GHz frequency range. A database was created, encompassing real, imaginary, and dB values of reflection and transmission parameters for nine real-world materials with thicknesses ranging from 1 to 10 mm. This study addressed two main classification tasks, namely material thickness and material type. A variety of training-testing splits were employed in conjunction with 10-fold cross-validation to facilitate a comparison of classifier performance. In the material type classification, incorporating multiple thickness levels of each material enabled the model to distinguish materials with similar reflection characteristics more accurately, thereby enhancing discrimination performance. The results showed that Fine KNN consistently achieved 100% accuracy in thickness classification, while Quadratic SVM achieved 100% accuracy in material type classification, even when utilising only three thickness levels. Furthermore, the 90% training-10% testing split yielded the highest performance in thickness classification, whereas the optimal data split for material type classification differed across classifiers. Overall, this study demonstrates that the combination of scattering parameters and machine learning serves as a reliable and efficient approach for non-destructive material characterization.Öğe Parkinson’s Disease Detection Via Machine Learning Using Data Splitting and Validation Methods(2024) Engin, Mustafa AlptekinParkinson’s disease (PD), a neurological disorder, negatively affects the lives of patients and their caregivers. PD, which is very difficult to diagnose early by examining the clinical characteristics of the person, can be diagnosed using voice recordings. However, the inconsistent performance results of the models obtained from the evaluation of voice recordings through machine learning techniques limit the usability of these models to aid in diagnosing physicians. This study used a database of 195 voice data obtained from 31 individuals, 23 of whom have PD. The classification of the voices as healthy or patient was based on the 22 features in the database. The split ratios 90/10, 80/20, 70/30, 50/50 and 30/70 were used to select the training and test phase data, respectively. In addition, each split ratio was evaluated using 10-fold cross-validation, 5-fold cross-validation, holdout validation and resubstitution validation methods in the training phase, which is the initial process that will directly affect the other classification procedures. In addition, the classification process was performed using quadratic discriminant analysis, support vector machine, ensemble bagged tree, k-nearest neighbours and neural network classifiers. All procedures were repeated 10 times to ensure consistency of results and randomisation of split ratios. As a result, the k-nearest neighbours classifier with 80/20 splitting ratio and 10-fold cross-validation was determined to be the most successful among the compared methods with 95.64±3.21% accuracy. Therefore, it can be seen that much more successful results can be obtained by analysing only the effects of the existing parameters of the classifiers.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.
