Doktora Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5800
Browse
3 results
Search Results
Doctoral Thesis EEG Sinyallerinden Disfaji Hastalığının Karakteristiklerinin Belirlenmesi ve Analizi(2025) Aslan, Sevgi Gökçe; Yılmaz, BülentDisfaji, genellikle nörolojik hastalıklarla ilişkilendirilen ve özellikle yaşlı bireylerde yaşam kalitesini olumsuz yönde etkileyen bir yutma bozukluğudur. Bu çalışma, EEG verileri kullanılarak yutma ve yutmayı hayal etme süreçlerinin nörofizyolojik analizini yapmayı ve bu verilerin disfaji rehabilitasyonunda nasıl kullanılabileceğini araştırmaktadır. Otuz adet sağ elini kullanan birey üzerinde gerçekleştirilen deneylerde, doğal yutma, indüklenmiş tükürük yutma, indüklenmiş su yutma ve indüklenmiş dil dışarı çıkarma gibi farklı deneysel paradigmalar kullanılmıştır. Verilerin ön işlenmesinde Bağımsız Bileşen Analizi (ICA), Empirik Mod Ayrıştırma (EMD), bant geçiren filtreleme ve Ortak Uzamsal Desen (CSP) analizi gibi teknikler uygulanmıştır. Bu ön işleme yöntemleri, EEG verilerindeki gürültüyü azaltarak daha doğru bir analiz sağlamak amacıyla kullanılmıştır. Geleneksel makine öğrenmesi teknikleri ve derin öğrenme yöntemleriyle yapılan sınıflandırma görevlerinde, dinlenme ve hayal etme evreleri arasındaki farklar belirgin bir şekilde ayrılmıştır. Random Forest, AdaBoost ve Bagging gibi topluluk tabanlı algoritmaların yanı sıra, derin öğrenme yöntemlerinden Konvolüsyonel Sinir Ağları (CNN) da uygulanmıştır. Ayrıca, çok ölçekli mekânsal dikkat ağı (MS-SAN) modeli, özellikle delta ve teta frekans bantlarında hareketi hayal etme ile dinlenme durumları arasındaki nörofizyolojik farkları yüksek doğrulukla ayırt etmiştir. Sonuçlar, hareketi hayal etme ve dinlenme evrelerinin EEG verileriyle tespit edilmesinin disfaji tedavisinde ve motor rehabilitasyon uygulamalarında büyük bir potansiyel taşıdığını göstermektedir. Bu çalışma, EEG tabanlı beyin-bilgisayar arayüzleri (BBA) teknolojilerinin, makine öğrenimi ve derin öğrenme yöntemlerinin disfaji rehabilitasyonundaki potansiyelini vurgulamakta ve bu alandaki araştırmaların klinik uygulamalar açısından önemini ortaya koymaktadır. Anahtar kelimeler: Elektroensefalografi, Makine Öğrenmesi, Derin Öğrenme, BBA, YutkunmaDoctoral Thesis MRG Taramalarında Alzheimer Hastalığının Zaman Dağılımlı Sınıflandırılması(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Dündar, Mehmet Sait; Yılmaz, BülentThis thesis presents a comprehensive framework for studying Alzheimer's Disease (AD) progression by focusing on the classification of AD, Mild Cognitive Impairment (MCI), and Cognitively Normal (CN) individuals using advanced machine learning models that analyze changes in brain volumetrics over time through MRI scans. In the first phase of the research, MR images from the Alzheimer's Disease Neuroimaging Initiative database were utilized, which included sequences of 3-4 scans taken annually from 22 CN, 18 AD, and 20 MCI subjects. Key volumetric parameters such as cortical thickness and intracranial volumes were extracted using the CAT12 toolbox in SPM software. A novel classification method based on the rate of volumetric changes over time was employed, effectively capturing the progressive nature of neurological changes. This approach achieved accuracies of 82.5% in distinguishing AD from CN, 71% in differentiating MCI from AD, and 69% in separating MCI from CN, alongside a 55% accuracy in a three-way classification using random forest and support vector machines. Building on these initial insights, the second phase of the study significantly advanced the methodology by integrating a pre-trained 3D ResNet 101 CNN algorithm for initial spatial categorization of MRI scans, followed by the use of Long Short-Term Memory (LSTM) networks. These LSTMs processed the same sequences of 3-4 annual scans for each patient, enhancing the model's ability to analyze and interpret the temporal progression of volumetric changes. This sophisticated approach led to marked improvements in classification accuracy: 96.7% in differentiating AD from CN, 87.5% in distinguishing AD from MCI, and 86.4% in separating MCI from CN. The study effectively demonstrates a significant enhancement in capturing the temporal dynamics of AD progression.Doctoral Thesis El Protezleri için EEG ve EMG Sinyalleriyle Algı Kestirimi ve Tork Kontrolü(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Karakullukcu, Nedime; Yılmaz, BülentUpper extremity prostheses vary based on patients' articulation levels and movement methods. They can be cosmetic, operate mechanically with shoulder movement, or be controlled by myoelectronic and electroencephalography (EEG) signals. However, unnatural prosthesis control burdens users mentally. This thesis seeks to enhance bionic hand prosthesis control using EEG and electromyography (EMG) signals, coupled with users' visual weight perception, aiming to reduce physical and mental discomfort associated with mechanical prostheses. The prototype hand's preconditioning evaluates objects' weight visually, aiming to reduce shoulder force and mental load while holding an object. EEG and EMG signals from subjects were processed for real-time implementation. In the first stage, a study focused on operating the prosthesis using the motor intention waves of prosthesis users, and the machine learning approaches' classification success (detection of the intention to activate the prosthesis) was examined using EEG data from 30 healthy participants. The second stage recorded EEG and EMG signals from 31 participants during reaching, lifting, and placing an object, employing various classifications for object weight. In the real-time classification of multi-channel EEG signals from 20 healthy individuals using Fourier-based synchrosequeezing transform (FSST) and singular value decomposition (SVD) approaches, the system aimed to control the stiffness of the wrist part of the prosthesis. Consequently, the system could detect the weight of the object perceived by the user while using the prosthesis, allowing for the preconditioning of the prosthesis based on this weight when the user wants to hold and move the object.