Yazar "Tekin, Hazret" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle ekg sinyallerinden kardiyak durumların sınıflandırılması
    (Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2025-01-09) Tekin, Hazret; Kaya, Yılmaz
    Kardiyovasküler hastalıklar, dünya genelinde hem gelişmiş hem de gelişmekte olan ülkelerde başlıca ölüm nedenlerinden biri olarak karşımıza çıkmaktadır. Bu hastalıklar, bireylerin yaşam kalitesini ciddi ölçüde etkilerken, sağlık sistemleri üzerinde de büyük bir ekonomik ve sosyal yük oluşturmaktadır. Erken teşhis ve doğru tanı, yalnızca hastaların yaşam sürelerini uzatmakla kalmaz, aynı zamanda tedavi maliyetlerini azaltarak toplum sağlığına önemli katkılar sağlar. Özellikle aritmiler, konjestif kalp yetmezliği (KKY) ve normal sinüs ritmi (NSR) gibi kardiyak durumların doğru bir şekilde teşhisi, bu süreçte temel bir rol oynamaktadır. Bu çalışma, çeşitli aritmiler, konjestif kalp yetmezliği (KKY) ve normal sinüs ritmi (NSR) gibi kardiyak durumların sınıflandırılmasına odaklanmaktadır. Çalışma kapsamında, çeşitli aritmi türleri, KKY ve NSR sinyallerini içeren iki farklı veri seti kullanılarak üç ayrı EKG sınıflandırma uygulaması gerçekleştirilmiştir. Bu amaçla, yenilikçi sinyal işleme yöntemleri ile derin öğrenme modelleri bir araya getirilmiş ve EKG sinyallerinin lokal ve global özelliklerini analiz etmek için ortogonal fark bir boyutlu yerel ikili desen (OD-1D-LBP), merkezden bağımsız bir boyutlu yerel ikili desen (CI-1D-LBP) ve sürekli zamanlı dalgacık dönüşümü (CWT) tabanlı motif dönüşümü (MD) yöntemleri uygulanmıştır. Çalışmanın ilk uygulamasında, OD-1D-LBP yöntemiyle KKY, atriyal fibrilasyon (AF) ve NSR sinyalleri sınıflandırılmıştır. Bu yöntemde çıkarılan öznitelikler uzun kısa süreli bellek (LSTM) ve bir boyutlu konvolüsyonel sinir ağları (1D-CNN) modelleriyle değerlendirilmiş ve en iyi sonuç %98.97 doğruluk oranı ile hibrit OD-1D-LBP+LSTM modeliyle elde edilmiştir. OD-1D-LBP+1D-CNN modeli de %98.86 doğruluk oranı ile rekabetçi bir performans sergilemiştir. OD-1D-LBP’nin, sinyallerin lokal özelliklerini belirginleştirme konusundaki başarısı, kardiyak durumların ayırt edilmesinde etkili bir araç olduğunu ortaya koymuştur. İkinci uygulamada, CI-1D-LBP yöntemi dört farklı aritmi türünün (ventriküler atım, supraventriküler atım, füzyon atımı ve tanımlanmamış aritmi) sınıflandırılmasında kullanılmıştır. Bu yöntemde elde edilen özniteliklerle LSTM, GRU ve 1D-CNN modelleri uygulanmış, CI-1D-LBP+GRU hibrit modeli %98.59 doğruluk oranıyla en iyi sonucu vermiştir. CI-1D-LBP+LSTM hibrit modeli %98.02, CI-1D-LBP+1D-CNN hibrit modeli ise %97.17 doğruluk oranına ulaşmıştır. CI-1D-LBP+GRU’nun farklı aritmi türlerini ayırt etmedeki başarısı, yöntemin güçlü bir analiz çerçevesi sunduğunu göstermektedir. Üçüncü uygulamada, motif dönüşümü ve CWT yöntemleri birleştirilmiş ve KKY, AF ve NSR sinyalleri zaman-frekans düzleminde analiz edilmiştir. Bu analiz sonucunda oluşturulan skalogram görüntüleri, DenseNet modelleri ile sınıflandırılmıştır. DenseNet169 modeli %99.31 doğruluk oranı ile en başarılı sonuçları sağlamış, DenseNet121 ve DenseNet201 modelleri ise sırasıyla %98.30 ve %98.97 doğruluk oranlarına ulaşmıştır. Motif dönüşümü ve CWT’nin entegre kullanımı, sinyallerin zaman-frekans analizinde etkili bir yöntem olduğunu kanıtlamıştır. Elde edilen sonuçlar, bu tez çalışmasında kullanılan yöntemlerin literatürdeki yaklaşımlara kıyasla üstün performans sunduğunu ve kardiyak durumların teşhisinde önemli bir yenilik sağladığını göstermektedir. Bu yöntemlerin, klinik uygulamalara entegre edilerek kardiyovasküler hastalıkların tanısında doğruluk ve güvenilirliği artırma potansiyeline sahip olduğu öngörülmektedir. Ayrıca, farklı modellerin ve veri setlerinin karşılaştırılması, bu yöntemlerin sadece bir sinyal türünde değil, farklı kardiyak durumların analizinde de genelleştirilebilir ve güvenilir bir çerçeve sunduğunu göstermiştir. Önerilen yöntemlerin ayırt edici öznitelikler çıkarma yeteneği ve derin öğrenme modelleriyle sağladığı yüksek doğruluk oranları, kardiyak sinyallerin analizine yönelik yeni standartlar belirleme potansiyeline sahiptir. Bu çalışma, kullanılan tekniklerin klinik uygulamalara entegrasyonu halinde, tanı süreçlerinin doğruluğunu ve hızını artırarak hasta bakım kalitesini iyileştirme kapasitesine sahip olduğunu göstermektedir. Elde edilen bulgular, sadece literatürdeki yaklaşımlara üstünlük sağlamakla kalmayıp, kardiyovasküler hastalıkların teşhisinde daha güvenilir ve etkili çözümler sunmaktadır.
  • Küçük Resim
    Öğe
    Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini
    (Batman Üniversitesi Fen Bilimleri Enstitüsü, 2019-10-18) Tekin, Hazret; Ertuğrul ,Ömer Faruk
    Bir ilin ya da bölgenin şebekeden çektiği elektrik enerjisini kısa veya uzun dönemli tahmin etmek klasik elektrik iletim ve dağıtım şebekesinin yönetimi açısından oldukça önemlidir. Günümüzde ise akıllı şebekeler kapsamında artık her bir meskenin kendi özelinde şebekeden çektiği yük miktarı önem kazanmıştır. Akıllı şebekeden elektrik çeken meskenler aynı zamanda güneş enerjisi gibi alternatif enerji kaynakları ile elektrik üretebilmektedir. Bu durum göz önüne alınarak böyle bir meskenin şebekeden çektiği elektrik yükünün tahmini bu çalışmada klasik yöntemlerden lineer regresyon ve yapay sinir ağları ile test edilmiş ancak istenen oranda başarı elde edilememiştir. Bu sebeple güneş enerjisi ile elektrik üretebilen bir meskenin şebekeden çektiği elektrik miktarını tahmin etmek için yeni bir metoda gereksinim duyulmuştur. Bu sebeple bu çalışmada birçok regresyon probleminde başarılı sonuçlar üreten lineer regresyon yöntemi geliştirilerek, dinamik sistemleri modelleyebilmesi ve herhangi bir zamana ait şebekeden çekilen elektrik miktarını tahminde tahmin başarısını arttıran ve geçmiş verileri de dikkate alan geri beslemeli lineer regresyon olarak isimlendirilen yeni bir yöntem önerildi. Önerilen yaklaşımı test etmek için, Smart Project kapsamında U Toplu İz Havuzunda paylaşılan Sundance veri seti kullanılmıştır. Önerilen yöntemin başarısını doğrulamak için her bir veri setine lineer regresyon ve aşırı öğrenme metotları uygulanmıştır. 59 farklı mesken için elde edilen sonuçlara bakıldığında, geri beslemeli lineer regresyon ile elde edilen kök ortalama kare hata (RMSE) değerlerinin lineer regresyon ve aşırı öğrenme yöntemine kıyasla daha düşük olduğu yani daha başarılı tahmin sonuçları verdiği saptanmıştır. Bu başarının nedeni zaman sıralı veri setlerinde ve sinyallerde geri beslemeli yöntemlerin dinamik modelleme kabiliyetleri sayesinde sistemi daha başarılı bir şekilde modelleyebilmeleridir.