Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Tez Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/418

Browse

Now showing 1 - 2 of 2

Beyin-Bilgisayar Arayüzlerine Yönelik Riemann Geometrisi ile İleri Sinyal İşleme Yaklaşımı
(2023) Altındiş, Fatih; Yılmaz, Bülent; 01. Abdullah Gül University; 02. Mühendislik Fakültesi; 02.05. Elektrik & Elektronik Mühendisliği
Bu tezde, EEG tabanlı beyin-bilgisayar arayüzlerinde (BBA) Riemann geometrisine dayalı öğrenme transferi kullanımına dayalı gelişmeleri incelemekteyiz. Seçilen EEG sinyal epoklarının sınıflandırma performansına katkısını göstermek adına kayan pencere yaklaşımı geliştirdik. Bunun yanında, sinyal işleme adımlarına filtre bankasının eklenmesinin sınıflandırma doğruluğunu daha fazla arttırdığını gözlemledik. Açık veristelerinden motor-niyet dalgaları içeren verisetlerini kullanarak, klasik Tanjant Uzay Haritalama yöntemine kıyasla sınıflandırma performanısı ortalama % 7 iyileştirdik. Çalışmanın en önemli çıktısı, 'grup öğrenmesi' adlı yeni bir transfer öğrenme yaklaşımı ve bu yaklaşımın uzantısı olan, 'hızlı hizalama' yöntemidir. Grup öğrenmesi, klinik olmayan BBA açık verisetlerinde sınıflandırma performansından ödün vermeden çoklu alan uyarlaması yapmaktadır. Hızlı hizalama, alan uyarlamasını daha önce kullanılmamış yeni veriler için kullanmayı sağlamaktadır. Önerilen grup hizalama algoritması (GALIA), farklı kişilerden ve farklı oturumlardan alınan EEG verileri ile test edilmiştir. Sınıflandırma performansı ve hesaplama maliyeti için optimal hiper-parametre değerleri incelenmiştir. Çalışma, birçok kişiden kayıt edilen verileri kullanarak tek bir makine öğrenimi modelinin oluşturulmasını ve eğitilmiş modelin yeniden eğitilmesine gerek kalmadan yeni veriler üzerinde kullanılabileceğini göstermiştir. Bulgular, birçok kişi üzerinde öğrenme transferi gerçekleştirebilen bütünsel bir sinyal işleme akışı sağlayarak güçlü, genelleştirilebilir, ve yüksek sınıflandırma performansına sahip BBA sistemleri tasarlanmasına olanak sağlamaktadır.
Koroner Arter Hastalığının Makine Öğrenimi Yaklaşımları ile Teşhisi
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Halıcı, İkram; Güngör, Vehbi Çağrı; AGÜ, Fen Bilimleri Enstitüsü, Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı; 01. Abdullah Gül University
The World Health Organization states that Coronary Artery Disease (CAD) ranks as a primary cause of recorded fatalities. CAD occurs as a result of the blockage of coronary artery vessels, which are located on the surface of the heart and supply the blood that the heart needs. Diagnosing the disease using traditional methods is challenging and requires costly tests. In recent years, the use of machine learning-based methods has increased as an alternative diagnostic approach. However, existing studies in the literature suffer from low detection rates and long training times. Therefore, there is still a need for reliable and low-cost diagnostic methods. In this thesis, a new model, CSA-PSO-ANN, is proposed for the diagnosis of coronary artery disease. The aim is to reduce the training time of the machine learning model and achieve a higher accuracy in diagnosing the disease. Experiments have been conducted on two publicly available datasets. Parallelization, feature selection, and hyperparameter optimization have been performed to shorten the model's training time. The performance of the model has been compared with well-known machine-learning algorithms and previous studies. The experiments showed that the proposed model effectively diagnoses the disease and outperforms other methods in terms of accuracy and F1 score performance metrics.

Browse

Browsing Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Tez Koleksiyonu by Department "Mühendislik ve Fen Bilimleri Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı"