Yazar "Polat, Hasan" seçeneğine göre listele
Listeleniyor 1 - 14 / 14
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Automatic detection and localization of COVID-19 pneumonia using axial computed tomography images and deep convolutional neural networks(Wiley, 2021) Polat, Hasan; Özerdem, Mehmet Siraç; Ekici, Faysal; Akpolat, VeysiCOVID-19 was first reported as an unknown group of pneumonia in Wuhan City, Hubei province of China in late December of 2019. The rapid increase in the number of cases diagnosed with COVID-19 and the lack of experienced radiologists can cause diagnostic errors in the interpretation of the images along with the exceptional workload occurring in this process. Therefore, the urgent development of automated diagnostic systems that can scan radiological images quickly and accurately is important in combating the pandemic. With this motivation, a deep convolutional neural network (CNN)-based model that can automatically detect patterns related to lesions caused by COVID-19 from chest computed tomography (CT) images is proposed in this study. In this context, the image ground-truth regarding the COVID-19 lesions scanned by the radiologist was evaluated as the main criteria of the segmentation process. A total of 16 040 CT image segments were obtained by applying segmentation to the raw 102 CT images. Then, 10 420 CT image segments related to healthy lung regions were labeled as COVID-negative, and 5620 CT image segments, in which the findings related to the lesions were detected in various forms, were labeled as COVID-positive. With the proposed CNN architecture, 93.26% diagnostic accuracy performance was achieved. The sensitivity and specificity performance metrics for the proposed automatic diagnosis model were 93.27% and 93.24%, respectively. Additionally, it has been shown that by scanning the small regions of the lungs, COVID-19 pneumonia can be localized automatically with high resolution and the lesion densities can be successfully evaluated quantitatively.Öğe Automatic detection of cursor movements from the EEG signals via deep learning approach(IEEE-Institute of Electrical Electronics Engineers INC., 2020) Polat, Hasan; Özerdem, Mehmet SiraçThe classification of motor imagery (MI) tasks is one of the key objectives of EEC-based brain-computer interface (BC!) systems. To ensure successful classification performance to BCI systems, researchers endeavor to extract appropriate features. However, these challenges are based on the conventional method. In this study, EEG signals related to MI tasks are classified using the convolutional neural network (CNN), which does not need a separate feature extraction. EEG records, which are generally evaluated as one-dimensional in machine learning problems, were taken into consideration as the image representation by using a novel method. The datasets were taken from a healthy subject. The subject was asked to move a cursor up and down on a computer screen, while his cortical potentials were taken. The EEG signals recorded over the 3.5-second time interval were evaluated for both the whole time and sub time intervals. Thus, the most effective time interval that has distinguishing features for EEG recordings related to different cursor movements was tried to be determined as well. As a result, it has been shown that the proposed model based on deep learning approach can successfully classify EEG signals related to cursor movements.Öğe Automatic Detection of Emotional State from EEG Signal by Gamma Coherence Approach(Ieee, 2018) Polat, Hasan; Ozerdem, Mehmet SiracElectroencephalogram coherence analysis is an important measure to help us to assess functional cortical connections and to learn about regional cortical synchronization. In this study, it was aimed to automatically detect emotions related to audio-visual stimuli by electroencephalogram coherence approach. First, the synchronizations of EEG recorded from different regions of the scalp have been analyzed with each other. Coherence analysis was performed for the gamma band of the electroencephalogram signals. Electrode pairs were identified in which the changing emotional state can be observed clearly. The coherence features extracted from the electrode pairs were given to input of the classifier algorithm. The average classification accuracy for the four different participants was obtained as 83.5%.Öğe The Comparison of Wavelet and Empirical Mode Decomposition Method in Prediction of Sleep Stages from EEG Signals(Ieee, 2017) Polat, Hasan; Akin, Mehmet; Ozerdem, Mehmet SiracThe aim of this study was to detect sleep stages of human by using EEG signals. In accordance with this purpose, discrete wavelet transforms (DWT) and empirical mode decomposition (EMD) were separately used for feature extraction. Subcomponents of EEG signals obtained by the two methods were assumed as feature vectors. Statistical parameters were used to reduce dimension of feature vectors. The same statistical parameters were used to compare performance of methods related to DWT and EMD. K nearest neighborhood (kNN) algorithm was used in classification final feature vectors that obtained EEG segments related to different sleep stages. The classification accuracies for feature vectors based on DWT and EMD were obtained as 100% and 88.13%, respectively.Öğe Derin transfer öğrenimi yaklaşımı ile kamusal alanda medikal maske kullanımının otomatik kontrolü(Bingöl Üniversitesi Fen Bilimleri Enstitüsü, 2021) Polat, Hasan; Özerdem, Mehmet SiraçUluslararası kamu sağlığı acil durumu olan COVID-19 hastalığının başlıca bulaşma yolları, solunum damlacıkları ve fiziksel temastır. Hastalığın yayılımını önlemek ve salgınla mücadele etmenin kapsamlı stratejilerinden biri olarak kamusal alanda medikal maske kullanımı birçok toplumda zorunlu kılınmıştır. Bu kapsamda, kamusal alanda medikal maske kullanımının otomatik olarak kontrolü, salgınla mücadelede önem arz etmektedir. Bu çalışmada, transfer öğrenimi yaklaşımı ile kamusal alandan alınan görüntülerden medikal maske kullanımının otomatik olarak tespit edilmesi amaçlanmıştır. Derin mimariye transfer öğrenimi yaklaşımı uygulanarak, öğrenilmiş parametrelerinin ince ayarı ile medikal maske tespitinde etkili çözümlerin elde edilmesi amaçlanmıştır. Medikal maske kullanımının otomatik olarak tespitinde, Human in the Loop (HITL) tarafından erişime açık olarak sunulan görüntüler kullanılmıştır. SqueezeNet tabanlı transfer öğrenimi yaklaşımı ile %99,20 oranında sınıflandırma doğruluğu elde edilmiştir. ROC eğrisi altında kalan alanın (AUC) büyüklüğü ise 0,998 olarak elde edilmiştir. Ayrıca, transfer öğrenimi yaklaşımının üstünlüğünü vurgulamak için eğitilmiş parametre içermeyen SqueezeNet mimarisi de aynı veri seti üzerinde uygulanmış ve elde edilen performans değerleri karşılaştırılmıştır. Sınırlı sayıda görüntü veri kümesi üzerinde eğitilen mimari ile sınıflandırma doğruluğu ve AUC performansları sırasıyla %94,75 ve 0,976 olarak elde edilmiştir. Transfer öğrenimi yaklaşımı ile çok kısa sürede eğitilen derin mimarinin medikal maske kullanımı tespitinde etkileyici bir performans sergilediği gözlemlenmiştir.Öğe Effects of pharmacological treatments in alzheimer’s disease: Permutation entropy-based EEG complexity study(Springer, 2023) Fide, Ezgi; Polat, Hasan; Yener, Görsev; Özerdem, Mehmet SiraçAlzheimer’s disease (AD) is a neurodegenerative brain disease affecting cognitive and physical functioning. The currently available pharmacological treatments for AD mainly contain cholinesterase inhibitors (AChE-I) and N-methyl-d-aspartic acid (NMDA) receptor antagonists (i.e., memantine). Because brain signals have complex nonlinear dynamics, there has been an increase in interest in researching complexity changes in the time series of brain signals in individuals with AD. In this study, we explore the electroencephalographic (EEG) complexity for making better observation of pharmacological therapy-based treatment effects on AD patients using the permutation entropy (PE) method. We examined EEG sub-band (delta, theta, alpha, beta, and gamma) complexity in de-novo, monotherapy (AChE-I), dual therapy (AChE-I and memantine) receiving AD participants compared with healthy elderly controls. We showed that each frequency band depicts its own complexity profile, which is regionally altered between groups. These alterations were also found to be associated with global cognitive scores. Overall, our findings indicate that entropy measures could be useful to show medication effects in AD.Öğe Emotion recognition based on EEG features in movie clips with channel selection(Springer Berlin Heidelberg, 2017) Özerdem, Mehmet Siraç; Polat, HasanEmotion plays an important role in human interaction. People can explain their emotions in terms of word, voice intonation, facial expression, and body language. However, brain–computer interface (BCI) systems have not reached the desired level to interpret emotions. Automatic emotion recognition based on BCI systems has been a topic of great research in the last few decades. Electroencephalogram (EEG) signals are one of the most crucial resources for these systems. The main advantage of using EEG signals is that it reflects real emotion and can easily be processed by computer systems. In this study, EEG signals related to positive and negative emotions have been classified with preprocessing of channel selection. Self-Assessment Manikins was used to determine emotional states. We have employed discrete wavelet transform and machine learning techniques such as multilayer perceptron neural network (MLPNN) and k-nearest neighborhood (kNN) algorithm to classify EEG signals. The classifier algorithms were initially used for channel selection. EEG channels for each participant were evaluated separately, and five EEG channels that offered the best classification performance were determined. Thus, final feature vectors were obtained by combining the features of EEG segments belonging to these channels. The final feature vectors with related positive and negative emotions were classified separately using MLPNN and kNN algorithms. The classification performance obtained with both the algorithms are computed and compared. The average overall accuracies were obtained as 77.14 and 72.92% by using MLPNN and kNN, respectively.Öğe Epileptic Seizure Detection from EEG Signals by Using Wavelet and Hilbert Transform(Ieee, 2016) Polat, Hasan; Ozerdem, Mehmet SiracIn this study, EEG signals recorded from healthy individuals and EEG signals recorded from epileptic patients during epileptic seizures were classified. In the classification process, the Hilbert and wavelet transform were applied separately for the extraction of features from the EEG signals. The same statistical parameters were used in order to reduce the size of the feature vectors obtained via both approaches. K-nearest neighborhood (kNN) was used as classification algorithm. The obtained feature vector based on wavelet and Hilbert transform were classified separately via the kNN algorithm.Öğe Epileptik preiktal aktivitelerin EEG-Aura tabanlı evrişimsel sinir ağları ve topoğrafik haritalama yaklaşımı ile değerlendirilmesi(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2020) Polat, Hasan; Özerdem, Mehmet SiraçBu tez çalışmasında, medikal alanda tanımlanan epileptik auralardan esinlenerek, nöbet öncesi uyarı semptomlarının EEG işareti üzerine yansımaları derin evrişimsel sinir ağları (ESA) ile değerlendirilmiş ve preiktal dönem için EEG-Aura yaklaşımı öne sürülmüştür. Değerlendirme işlemi, üç aşamada gerçekleştirilmiştir. Bu aşamalar sırasıyla hastaya özgü EEG-Aura süreci tespiti, EEG-Aura sürecinde etkin frekans bant analizi ve EEG-Aura sürecinde meydana gelen sistematik değişimlerin beyin yüzeyindeki yansımalarının haritalandırılmasından oluşmaktadır. Epilepsi, beyin içerisinde hipersenkronize deşarjlara bağlı olarak tekrar eden nöbetlere neden olan ve gerçekleşen bu nöbetler neticesinde nörobiyolojik, kognitif, psikolojik ve sosyal sonuçlarla tanımlanan kronik bir bozukluktur. Epilepsi hastalığının genel olarak belirsiz doğası ve nöbetlerin çoğu zaman önceden kestirilememesi, bu hastalığa maruz kişilerin yaşam kalitelerine ket vurmaktadır. Gerçekleşecek herhangi bir nöbetin önceden kestirilmesi açısından diğerlerine göre şanslı sayılabilecek hastalar mevcuttur. Bunlar, epileptik auralara sahip hastalardır. Retrospektif bir his olan auralar ile hastalar tarafından bazı konvulsif nöbetlerin önceden kestirimi yapılabilir. Bu çalışmada, epilepsi tanısında ve ameliyat öncesi değerlendirilmesinde uygulanan ana yöntemlerden biri olan elektroensefalografi (EEG) işaretlerindeki potansiyel aura fenomenlerinin yansımaları incelenmiş ve hastaya özgü EEG-Aura süreçleri belirlenmiştir. EEG-Aura sürecinin belirlenmesinin yanı sıra söz konusu süreçte etkin frekans bandı analizi ve frekans bantlarına ilişkin aktivitelerin topoğrafik haritalandırılması da yapılmıştır. Hastaya özgü EEG-Aura süreci tespitinde, bir boyutlu EEG işaretleri kısa zaman Fourier dönüşümü (KZFD) tabanlı spektrogram ve sürekli dalgacık dönüşümü (SDD) tabanlı skalogram görüntü formunda temsil edilmiştir. Böylelikle, beynin elektriksel aktivitelerinin zamana göre aldığı genlik değerlerini yansıtan EEG işaretleri zaman-frekans alanında enerji yoğunluk fonksiyonları türünden temsil edilerek, uzamsal boyutları artırılmıştır. Görüntü formunda temsil edilen EEG işaretlerine önerilen ESA algoritması uygulanarak, epileptik nöbet öncesi meydana gelen sistematik değişimler tanımlanmış ve her hasta için öznel EEG-Aura süreci tespit edilmiştir. Ayrıca, EEG-Aura tespitinde spektrogram ve skalogram tabanlı elde edilen performanslar karşılaştırılmıştır. Değerlendirilmeye alınan bütün hastalar dikkate alındığında, her iki yöntem için belirlenen hastaya özgü EEG-Aura süreçleri arasında tutarlılık olduğu gözlemlenmiştir. Bütün hastalar için elde edilen bulgular dikkate alındığında, nöbet öncesi 2. dakikadan, 3. dakikaya kadar geçen süreyi kapsayan bir dakikalık zaman aralığının nöbet öncesi sistematik değişimlerin tespiti için en yüksek ortalamaya ve en düşük varyansa sahip olduğu belirlenmiştir. EEG-Aura süreci için ortalama başarı doğruluk, özgüllük, duyarlılık, kesinlik ve f-skor model başarım ölçütleri türünden değerlendirilmiştir. Spektrogram ve skalogram tabanlı ESA modeli ile EEG-Aura tespitinde ortalama doğruluk değerleri, sırasıyla %90.81 ± 5.60 ve %90.55 ± 5.40 olarak elde edilmiştir. EEG-Aura sürecinde etkin frekans bandı analizinde, farklı frekans batlarının ayrı bir şekilde değerlendirilmesi ile sınıflandırma aşamasında baskın frekans aralıkları belirlenmeye çalışılmıştır. Ayrıca, etkin frekans bant tespitinde, spektrogram ve skalogram görüntülerine ilişkin elde edilen bulgular karşılaştırılmıştır. EEG-Aura süreci için 0.5-30Hz ve gama bant aktivitelerinin başarılı bir performans sergileyerek, etkin frekans aralıkları olarak değerlendirilebileceği gözlemlenmiştir. 0.5-30Hz ve gama bandı için spektrogram ve skalogram tabanlı ortalama sınıflandırma doğrulukları sırasıyla %94.09 ± 5.77, % 97.42 ± 2.48 ve %97.26 ± 3.39, %96.62 ± 3.57 olarak elde edilmiştir. EEG-Aura sürecinde meydana gelen nörofizyolojik değişimlerin beyin yüzeyindeki yansımaları topoğrafik haritalandırılarak, değişimlerin vuku bulduğu beyin bölgeleri de belirlenmiştir. Bütün hastalar için elde edilen bulgular irdelendiğinde, alçak frekanslı aktivitelerin genel olarak frontal lobda etkinlik gösterdiği, yüksek frekanslı aktivitelerin ise temporal lobda etkinlik gösterdiği gözlemlenmiştir. Ancak, epileptik aura ile EEG-Aura ilişkisinin irdelenmesi için yansımaların hastaya özgü olarak ele alınması gerekmektedir. Bu tez çalışmasında önerilen özgün yaklaşım tabanlı preiktal aktivitelerin kapsamlı olarak değerlendirilmeye alınması ile elde edilen bulguların özellikle nöbet tahmin çalışmaları için önemli bir referans niteliğinde olacağı düşünülmektedir. Ayrıca, önerilen model aracılığıyla medikal tedavi yöntemlerine cevap vermeyen epilepsi hastalarının hayata daha konforlu bir şekilde entegre olacakları sistemlerin geliştirilebileceği öngörülmektedir.Öğe Evaluation of potential auras in generalized epilepsy from EEG signals using deep convolutional neural networks and time-frequency representation(Walter De Gruyter Gmbh, 2020) Polat, Hasan; Aluclu, Mehmet Ufuk; Ozerdem, Mehmet SiracThe general uncertainty of epilepsy and its unpredictable seizures often affect badly the quality of life of people exposed to this disease. There are patients who can be considered fortunate in terms of prediction of any seizures. These are patients with epileptic auras. In this study, it was aimed to evaluate pre-seizure warning symptoms of the electroencephalography (EEG) signals by a convolutional neural network (CNN) inspired by the epileptic auras defined in the medical field. In this context, one-dimensional EEG signals were transformed into a spectrogram display form in the frequency-time domain by applying a short-time Fourier transform (STFT). Systemic changes in pre-epileptic seizure have been described by applying the CNN approach to the EEG signals represented in the image form, and the subjective EEG-Aura process has been tried to be determined for each patient. Considering all patients included in the evaluation, it was determined that the 1-min interval covering the time from the second minute to the third minute before the seizure had the highest mean and the lowest variance to determine the systematic changes before the seizure. Thus, the highest performing process is described as EEG-Aura. The average success for the EEG-Aura process was 90.38 +/- 6.28%, 89.78 +/- 834% and 90.447 +/- 5.95% for accuracy, specificity and sensitivity, respectively. Through the proposed model, epilepsy patients who do not respond to medical treatment methods are expected to maintain their lives in a more comfortable and integrated way.Öğe Familiarity Effect of Emotional Stimuli onto EEG Signals(Ieee, 2015) Polat, Hasan; Ozerdem, Mehmet SiracThe aim of this study was to investigate the familiarity effect of emotional stimuli onto EEG signal. Familiar and non familiar stimuli were determined according to participants' rating and EEG segments related to familiar and non familiar stimuli were analyzed. Discrete wavelet transform (DWT) was used as filter to get the interested frequency range of EEG signals. Power spectral density (PSD) of filtered EEG signals was obtained by using Welch method. The power spectrum of EEG signals was considered as familiarity effects of emotional stimulus. As a conclusion, it was observed that different states of familiarities related to emotional stimulus cause different values of PSD over EEG signals.Öğe Görsel-işitsel uyaranlar kaynaklı oluşan duyguların EEG işaretleri ile sınıflandırılması(Dicle Üniversitesi Mühendislik Fakültesi, 2016) Polat, Hasan; Özerdem, Mehmet SiraçBu çalışmada, görsel-işitsel uyaranlar kaynaklı oluşan farklı duygu durumlarına ilişkin EEG işaretlerinin sınıflandırılması amaçlanmıştır. Katılımcıların duygu durumlarını belirlemek için kişisel değerlendirme modeli (SAM, Self Assessment Manikins) görselleri kullanılmıştır. Katılımcılar, kendilerine sunulan görselişitsel uyaranları değerlik, baskınlık, aktivasyon ve beğenme açısından değerlendirmişlerdir. Bu değerlendirmelere göre katılımcıların pozitif ve negatif duygu durumlarına ilişkin EEG işaretleri sınıflandırılmıştır. EEG işaretlerinden ayrık dalgacık dönüşümü (ADD) kullanılarak öznitelik çıkarımı yapılmıştır. ADD kullanılarak elde edilen öznitelik vektör boyutlarının azaltılması için istatistiksel işlemler uygulanmıştır. Sınıflandırıcı olarak ise yapay sinir ağları (YSA) uygulanmıştır. YSA ilk olarak kanal tespiti için kullanılmıştır. Böylelikle, en iyi sınıflandırma performansı sunan EEG kanalları tespit edilmiştir. Tespit edilen EEG kanallarının öznitelikleri birleştirilerek, nihai öznitelik vektörleri elde edilmiştir. Farklı duygu durumları için elde edilen nihai öznitelik vektörleri YSA ile sınıflandırılmıştır. Önerilen bütün işlemler, her katılımcı için ayrı bir şekilde uygulanmıştır. Sınıflandırma işlemi sonunda maksimum sınıflandırma doğruluğu %90 ve 20 katılımcı için ortalama sınıflandırma doğruluğu ise %76.25 olarak elde edildiği görülmüştür.Öğe Görsel-işitsel uyaranlar kaynaklı oluşan duyguların EEG işaretleri ile sınıflandırılması(2016) Polat, Hasan; Özerdem, Mehmet SiraçDuygular, insanların birbirleriyle haberleşmesinde oldukça önemli rol oynarlar. Duyguların insanların kelimelerine, ses tonlarına, yüz ifadelerine veya beden diline yansıdığı görülebilmektedir. Ancak, Beyin Bilgisayar Arayüzü (BBA) sistemleri, insanların içinde bulundukları duygu durumlarını yorumlamada henüz istenen seviyeye ulaşmamıştır. BBA sistemlerince duyguların robotik ortamda anlaşılabilinmesi için insanlardan alınabilen ve yine bu sistemlerce işlenebilen kaynaklara ihtiyaç vardır. Elektroensefalogram (EEG) işaretleri, bu amacı gerçekleştirebilmek için önemli kaynaklardan biridir. Bu çalışmada, görsel-işitsel uyaranlar kaynaklı oluşan farklı duygu durumlarına ilişkin EEG işaretlerinin sınıflandırılması amaçlanmıştır. Katılımcıların duygu durumlarını belirlemek için SAM (Self Assessment Manikins) görselleri kullanılmıştır. Katılımcılar, sunulan görsel-işitsel uyaranları değerlik, baskınlık, aktivasyon ve beğenme açısından değerlendirmişlerdir. Bu değerlendirmelere göre katılımcıların pozitif ve negatif duygu durumlarına ilişkin EEG işaretleri sınıflandırılmıştır. EEG işaretlerinden ayrık dalgacık dönüşümü (ADD) kullanılarak öznitelik çıkarımı yapılmıştır. ADD kullanılarak elde edilen öznitelik vektörler boyutlarının azaltılması için istatistiksel işlemler uygulanmıştır. Sınıflandırıcı olarak ise yapay sinir ağları ve k-en yakın komşu algoritmaları uygulanmış ve her iki algoritma için elde edilen sınıflandırma başarıları karşılaştırılmıştır. Anahtar Kelimeler: EEG, Sınıflandırma, Duygu, Dalgacık Dönüşümü, Yapay Sinir Ağları, K- En Yakın KomşuÖğe Reflection Emotions Based on Different Stories onto EEG Signal(Ieee, 2015) Polat, Hasan; Ozerdem, Mehmet SiracObjective of this study was to investigate reflection of emotions based on different stories onto EEG. EEG data that used in this study have been acquired from database University of California San Diego. EEG signal was filtered to frequency range that contain important sub-bands of EEG by using discrete wavelet transform to analyze reflection of emotion based on different stories onto EEG. Power spectrum estimation of EEG that filtered to related frequancy range was obtained by using Burg method. Diffrerent power spectrum densities onto EEG signal were obtained for each different emotions based on different stories. There are similar studies in literature and results that were obtained in this study support the similar studies.
