Doktora Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5800

Browse

Filters

2020 - 20255

Settings

Author: search.filters.author.Yılmaz, BülentSubject: search.filters.subject.Elektrik Ve Elektronik Mühendisliği

Search Results

Now showing 1 - 5 of 5
  • Doctoral Thesis
    Beyin-Bilgisayar Arayüzlerine Yönelik Riemann Geometrisi ile İleri Sinyal İşleme Yaklaşımı
    (2023) Altındiş, Fatih; Yılmaz, Bülent
    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.
  • Doctoral Thesis
    EEG Sinyallerinden Disfaji Hastalığının Karakteristiklerinin Belirlenmesi ve Analizi
    (2025) Aslan, Sevgi Gökçe; Yılmaz, Bülent
    Disfaji, 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, Yutkunma
  • Doctoral Thesis
    El Protezleri için EEG ve EMG Sinyalleriyle Algı Kestirimi ve Tork Kontrolü
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Karakullukcu, Nedime; Yılmaz, Bülent
    Upper 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.
  • Doctoral Thesis
    FDG-PET Görüntülerindeki Tümörlerin Makine ve Derin Öğrenme Tabanlı Analizi
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Ayyıldız, Oğuzhan; Yılmaz, Bülent
    Analysis of a tumor is essential in treatment planning and evaluation of treatment response. Positron Emission Tomography (PET) is a vital imaging device for clinical oncology in understanding the metabolic structure of the tumor. In this thesis, three separate studies investigating the application of machine, deep learning and statistical approaches on FDG-PET images from patients with non-small cell lung cancer (NSCLC) and pancreatic cancer. The first study aimed at performing a survey on subtype classification of NSCLC by using different texture features, feature selection methods and classifiers. Images from 92 patients and several clinical and metabolic features for each case were used in this study along with histopathological validation for the tumor subtype labeling. Stacking classifier resulted in 76% accuracy. The aim of our second study was to adapt an atrous (dilated) convolution-based tumor segmentation approach (DeepLabV3) on FDG-PET slices with maximum standard uptake value (SUVmax). MobileNet-v2 pretrained on ImageNet served as the backbone to DeepLabV3. The classification layer was interchanged with the Tversky loss layer which helped improve model's performance while the dataset was imbalanced. Images from 141 patients were employed and augmentation was performed in each training phase. Dice similarity index was obtained as 0.76 without preprocessing and 0.85 with preprocessing. The last study focused on determining the features to be used in the prognosis of pancreatic adenocarcinoma on FDG-PET images from 72 patients. Well-known texture, metabolic and physical features were extracted from tumor region that was determined with the help of random walk segmentation algorithm. On these features time-dependent ROC curve analysis was performed for 2-year overall survival (OS) prediction, and, in the univariable analyses, tumor size, energy, entropy, and strength were found to be significant predictors of OS. Keywords: PET/CT, NSCLC, Machine learning, Deep learning, Radiomics, Semantic segmentation
  • Doctoral Thesis
    Anormallik Tespiti için Veri Madenciliği
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2020) Kaçmaz, Rukiye Nur; Yılmaz, Bülent
    Gastroentereloji uzmanları için kolon anormalliklerinin tespit edilmesi en zor görevlerden birisidir. Kolonoskopi herhangi bir anormalliği izlemek için kolondan video veya görüntüler kaydetmenin en yaygın yöntemidir. Bununla birlikte işlem sırasında elde edilen görüntü veya videolar, kolonoskopi probunun ya da kapsülün hızlı hareketinden kaynaklanan hareket gürültüsü, kapsülde ve probda ışık kaynağından kaynaklanan yansıma gürültüsü (YG), yetersiz veya aşırı aydınlatmadan kaynaklanan uygun olmayan kontrast gürültüsü, mide öz suyu, baloncuklar veya kalıntılar içermektedir. Bu tarz gürültüler içeren görüntülere bilgi taşımayan çerçeveler adı verilmektedir. Hastalık tespiti işlemi ise bilgi içeren olarak adlandırılan temiz görüntüler ile yürütülmektedir. İlk çalışmada tekstür tabanlı otomatik polip tespitinde YG'nin etkisini ve YG'yi ortadan kaldırmak için kullanılan görüntü enterpolasyonunun kullanımı araştırıldı. Bu amaçla, çeşitli boyutlarda sonradan YG eklenen ve interpolasyon uygulanan görüntülerden ve YG içermeyen görüntülerden çeşitli tekstür özellikleri elde edildi. Polipleri kolon arka planından ayırt etmek için, uygulanan en yakın komşular, bilineer ve bikübik interpolasyon yöntemlerinin, tekstür özellikleri ve sınıflandırma performansı açısından herhangi bir farklılığa neden olup olmadığı test edildi. İkinci çalışmada temel amaç, bilgi taşımayan çerçeveleri tespit etmede geleneksel makine öğrenmesi ve transfer öğrenme yaklaşımlarının performanslarının karşılaştırılmasıydı. Makine öğrenmesi bölümünde, gri seviye eş oluşum matrisi, gri seviye koşu uzunluğu matrisi, komşuluk gri ton farkı matrisi, odak ölçüm operatörleri ve basıklık, standart sapma ve çarpıklık olarak üç adet birinci derece istatistik kullanıldı. Sınıflandırma aşamasında rastgele orman, destek vektör makineleri ve karar ağacı yaklaşımları kullanılmıştır. Transfer öğrenme bölümünde derin sinir ağları olarak AlexNet, SqueezeNet, GoogleNet, ShuffleNet, ResNet-18, ResNet-50, NasNetMobile ve MobileNet tercih edildi. Son çalışma, bilgi taşıyan çerçevelerde Crohn's, ülseratif kolit, kanser ve polip gibi kolon anormalliklerinin saptanmasını içermiştir. Bu çalışmanın amacı, öncelikle sağlıklı çerçeveleri hastalıklılardan ayırmak ve hem geleneksel makine öğrenmesi hem de transfer öğrenme yaklaşımlarını kullanarak hastalık türlerini belirlemekti. İkinci çalışmada kullanılanlarla aynı tekstür özellikleri, sınıflandırma yaklaşımları ve transfer öğrenme yöntemleri kullanılmıştır.