Yazar "Türk, Ömer" seçeneğine göre listele
Listeleniyor 1 - 9 / 9
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Compare the classification performances of convolutional neural networks and capsule networks on the Coswara dataset(Dicle Üniversitesi Mühendislik Fakültesi, 2023) Muhammad, Abdulaziz; Arserim, Muhammet Ali; Türk, ÖmerSince the beginning of the COVID-19 pandemic, researchers have developed numerous machine learning models to distinguish between positive and negative COVID-19 sounds. The aim of this study is to compare the classification performances of convolutional neural networks (CNN) and capsule networks (CapsNet) on the Coswara dataset, which includes 1404 healthy subjects and 522 COVID-19 positive subjects, each containing nine different types of sounds. The dataset was preprocessed by using oversampling and normalization techniques after feature extraction. k-fold cross-validation was used (where k=10) to train and evaluate the models. The CNN classifiers achieved a 94% ACC, while the CapsNet classifiers achieved an 90% ACC. Furthermore, when using leave-one-out cross-validation, the CNN classifier achieved an ACC of 99%. we also compared the performance of the CNN and CapsNet networks on the Coswara dataset without preprocessing. Without oversampling techniques, the CNN classifiers achieved an 93% ACC, compared to 54% for the CapsNet classifiers. When normalization techniques were not applied, the CNN classifiers achieved an 86% ACC, while the CapsNet classifiers achieved a 26% ACC.Öğe The convolutional neural network approach from electroencephalogram signals in emotional detection(Wiley, 2021) Türk, Ömer; Özerdem, Mehmet SiraçAlthough brain-computer interfaces (BCI) progress rapidly, the desired success has not been achieved yet. One of these BCI is to detect emotional states in humans. An emotional state is a brain activity consisting of hormonal and mental reasons in the face of events. Emotions can be detected by electroencephalogram (EEG) signals due to these activities. Being able to detect the emotional state from EEG signals is important in terms of both time and cost. In this study, a method is proposed for the detection of the emotional state by using EEG signals. In the proposed method, we aim to classify EEG signals without any transform (Fourier transform, wavelet transform, etc.) or feature extraction method as a pre-processing. For this purpose, convolutional neural networks (CNNs) are used as classifiers, together with SEED EEG dataset containing three different emotional (positive, negative, and neutral) states. The records used in the study were taken from 15 participants in three sessions. In the proposed method, raw channel-time EEG recordings are converted into 28 x 28 size pattern segments without pre-processing. The obtained patterns are then classified in the CNN. As a result of the classification, three emotion performance averages of all participants are found to be 88.84%. Based on the participants, the highest classification performance is 93.91%, while the lowest classification performance is 77.70%. Also, the average f-score is found to be 0.88 for positive emotion, 0.87 for negative emotion, and 0.89 for neutral emotion. Likewise, the average kappa value is 0.82 for positive emotion, 0.81 for negative emotion, and 0.83 for neutral emotion. The results of the method proposed in the study are compared with the results of similar studies in the literature. We conclude that the proposed method has an acceptable level of performanceÖğe EEG işaretlerinden epilepsi türlerinin sınıflandırılmasında skalogram tabanlı derin öğrenme yaklaşımı(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2019) Türk, Ömer; Özerdem, Mehmet SiraçBu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Türlerinin sınıflandırılmasında, EEG işaretinin boyutu artırılarak skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Bu tez konusunun çalışabilmesi; en basit paradigmalar karşısında beyinde oluşan temel salınımları, EEG gibi aktivite ölçüm tekniklerini ve işaret işleme yöntemlerini bilmeyi gerektirir. Beynin denetimsel faaliyetleri sırasında, sinir hücre gruplarının elektriksel aktiviteleri, salınımlar meydana getirir. Kompleks yapıda olan bu biyopotansiyel salınımlar, Elektroensefalogram (EEG) işaretleri olarak adlandırılır. Bu işaretler kullanılarak belirli hastalıklar tespit edilebilmektedir. Bu hastalıklardan biri de epilepsidir. Epilepsi, kendini nöbetler şeklinde gösteren bir hastalıktır. Bu nöbetler farklı karakteristikler şeklinde kendini gösterir. Bu farklı özellikler, epilepsi nöbet türlerini temelde iki ana gruba ayırır. Bu nöbetler, jeneralize ve parsiyel epilepsi olarak adlandırılır. Hekimler için bu nöbet türlerinin tespiti, hastalığın tedavisi açısından önem arz etmektedir. Epilepsi tespiti ve takibinde kullanılan uzun süreli EEG kayıtlarının görsel olarak değerlendirilmesi, zaman açısından maliyetli olmaktadır. Bu maliyetin minimize edilmesini sağlayacak yöntemlerin mühendislik alanlarında önerilebildiği görülmektedir. Mühendislik alanında literatürde var olan EEG tabanlı çalışmalar, bu tez çalışmasında iki ana grupta değerlendirilmiştir. Bu çalışmalar; a) Konvansiyonel Yöntemlere Dayalı Çalışmalar, b) Derin Öğrenme Yöntemlerine Dayalı Çalışmalardır. Bu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Önerilen yöntemin başarısını değerlendirmek amacıyla, Dicle Üniversitesi (DÜ) Nöroloji Kliniği EEG veri seti ve literatürde çok sık kullanılan Bonn EEG veri seti kullanılmıştır. Önerilen yöntemde, EEG işaretine Sürekli Dalgacık Dönüşümü (SDD) uygulanarak boyutu artırılmıştır. Boyutu artırılan iki boyutlu (2D) frekans-zaman skalogram görüntüleri, Evrişimsel Sinir Ağına giriş örüntüleri olarak kullanılmış ve eğitilerek sınıflandırılmıştır. Bonn EEG veri seti, farklı paradigmalar ile sağlıklı ve epilepsi hastalığının farklı zaman/konum işaretlerini içerir. Bu işaretler A, B, C, D ve E şeklinde etiketlendirilmiştir. Yapılan sınıflandırma çalışmasında; A-E ve B-E veri setleri %99.50(±1.50), A-D ve B-D veri setleri %100(±0.00), A-D-E veri setleri %99.00(±1.33), A-C-D-E veri setleri %90.50(±1.70) ve B-C-D-E veri setleri %91.50(±2.29), A-B-C-D-E veri setleri ise %93.60(±3.07) doğruluk oranları elde edilmiştir. DÜ Nöroloji Kliniğinden elde edilen EEG veri seti; sağlıklı, jeneralize nöbet öncesi, jeneralize nöbet anı ve parsiyel epilepsi olmak üzere 4 sınıf olarak etiketlendirilmiştir. Gerçekleştirilen sınıflandırma çalışmasında; normal, Jeneralize nöbet öncesi ve Jeneralize nöbet anı EEG kayıtları %90.16(±0.20); sağlıklı, Jeneralize nöbet öncesi, Jeneralize nöbet anı ve Parsiyel EEG kayıtları ise %84.66(±0.48) doğruluk ortalaması ile sınıflandırılmıştır. Bu sonuçlara göre elde edilen karışıklık (Confussion) matrisinde; normal EEG kayıtları %91.29, jeneralize epileptik nöbetler (nöbet anı) %96.50, parsiyel EEG kayıtları %89.63, nöbet öncesi EEG kayıtları ise %90.44 doğruluk başarımı elde edilmiştir. Çalışmada önerilen yöntemin sonuçları, hem litratürdeki benzer çalışmaların ve hem de konvansiyonel yöntemlerin sonuçları ile karşılaştırılmıştır. Sonuç olarak, önerilen yöntemin başarımı, kabul edilebilir seviyede olduğu görülmüştür.Öğe Epilepsy detection by using scalogram based convolutional neural network from eeg signals(MDPI AG, 2019) Türk, Ömer; Özerdem, Mehmet SiraçThe studies implemented with Electroencephalogram (EEG) signals are progressing veryrapidly and brain computer interfaces (BCI) and disease determinations are carried out at certainsuccess rates thanks to new methods developed in this field. The effective use of these signals,especially in disease detection, is very important in terms of both time and cost. Currently, ingeneral, EEG studies are used in addition to conventional methods as well as deep learningnetworks that have recently achieved great success. The most important reason for this is that inconventional methods, increasing classification accuracy is based on too many human efforts asEEG is being processed, obtaining the features is the most important step. This stage is based onboth the time-consuming and the investigation of many feature methods. Therefore, there is a needfor methods that do not require human effort in this area and can learn the features themselves.Based on that, two-dimensional (2D) frequency-time scalograms were obtained in this study byapplying Continuous Wavelet Transform to EEG records containing five different classes.Convolutional Neural Network structure was used to learn the properties of these scalogram imagesand the classification performance of the structure was compared with the studies in the literature.In order to compare the performance of the proposed method, the data set of the University of Bonnwas used. The data set consists of five EEG records containing healthy and epilepsy disease whichare labeled as A, B, C, D, and E. In the study, A-E and B-E data sets were classified as 99.50%, A-Dand B-D data sets were classified as 100% in binary classifications, A-D-E data sets were 99.00% intriple classification, A-C-D-E data sets were 90.50%, B-C-D-E data sets were 91.50% in quaternaryclassification, and A-B-C-D-E data sets were in the fifth class classification with an accuracy of93.60%.Öğe Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı(2017) Özerdem, Mehmet Siraç; Türk, ÖmerElektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır. Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır. Bir boyutklu medyan yerel ikili örüntü (1B-MYİÖ) yöntemi uygulanarak elde edilen özniteliklerin k-En Yakın Komşu (k-NN) sınıflandırıcısı ile sınıflandırılması amaçlanmıştır. Çalışmada geliştirilen 1BMYİÖ yönteminin öznitelik olarak sınıflandırma başarısı değerlendirilmiştir. Bu sınıflandırma için karışıklık matrisi hesaplanarak model başarım ölçümü yapılmıştır. Çalışmada A-E veri setleri için sınıflandırma performansı %100, A-D veri setleri için %99.00, D-E veri setleri için %98.00, E-CD veri setleri için %99.50 ve A-D-E veri setleri için de %96.00 olarak bulunmuştur. Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.Öğe Gözler açık/kapalı durumunda EEG bantlarındaki frekans değişiminin güç spektral yoğunluğu ile belirlenmesi(Dicle Üniversitesi Mühendislik Fakültesi, 2015) Türk, Ömer; Özerdem, Mehmet Siraç; Akpolat, NezahatElektroensefalogram (EEG) işareti, beyindeki elektriksel aktivite hakkında bilgi edinmek amacıyla yaygın olarak kullanılmaktadır. Bu çalışmada, gözün açık ve kapalı durumunda EEG de görülen değişimin güç spektral yoğunluğu (GSY) incelenmiş olup, frekans değişiminin hangi aralıkta etkin olduğu farklı yaklaşımlar ile kabaca belirlenmiştir. Belirlenme sürecinde dalgacık yöntemi (DD) kullanılarak, işaret alt bandlarına ayrıştırılmıştır. GSY tahmini için klasik yöntemlerden Welch metodu ile işaret modelleme sürecini kullanan parametrik yöntemlerden Burg ve Yule-Walker yöntemleri kullanılmıştır. Gözler açık durumuna göre gözler kapalı iken EEG’de alfa ritminde yer alan frekansların baskın olduğu görülmüştür. Güç spektral yoğunluk hesabında, parametrik yöntemler ile işaretlerdeki var olan farklılıkların daha belirgin görülebilmesine olanak sağladığı görülmüştürÖğe Hilbert dönüşümü kullanılarak EEG işaretlerinden kanal bazlı şizofren hastalığının tespiti(Türkiye Bilişim Vakfı, 2020) Türk, Ömer; Özerdem, Mehmet Siraç; Şeker, MesutElektroensefalografi (EEG) nörolojik hastalıkların tespitinde sahip olduğu çok kanallı ve yüksek zaman çözünürlüklü yapısı ile çalışmalarda etkili bir görüntüleme aracı olarak popülerliğini korumaktadır. Bu çalışmada, Hilbert Dönüşümü (HD) kullanılarak EEG kayıtlarından kanal bazlı şizofreni hastalığının tespiti amaçlanmıştır. İşarete ait sanal bileşenler bu dönüşümle analiz edilip hasta/kontrol gruptan oluşan öznitelik vektörleri Destek Vektör Makinası (DVM) ile sınıflandırılmıştır. Kullanılan EEG veri seti, yaşları 10-14 arasında değişen 39 şizofreni ve yaşları 11-13 arasında farklılık gösteren 39 sağlıklı katılımcıdan elde edilmiştir. Mevcut kayıtlar katılımcının gözleri kapalı konumda iken 10-20 sistemine göre düzenlenmiş 16 elektrot aracılığı ile 1 dakika süresince alınmıştır. Çalışmada kullanılan kanallar frontal, parietal, temporal, central ve oksipital lob’un ilgili bölgelerinden seçilmiştir. Yapılan sınıflandırma işleminde k=10 çapraz doğrulama kullanılarak eğitim ve test kümeleri oluşturulmuştur. Çalışmada sınıflandırma başarımın yanında Tutturma (Precision), Bulma (Recall), F1-Score değerleri de hesaplanmıştır. Çalışmada en iyi sınıflandırma başarımı %95,19 ile frontal lob ’dan oluşan özniteliklerden elde edilmiştir. En düşük sınıflandırma performansının ise temporal lob bölgesinden alınan kanal öznitelikleri olduğu görülmüştür. Sağlıklı ve hasta grupların başarılı şekilde ayrıştırılması, izlenilen metodun klinik tedavilerde uygulanabileceğini, klinisyenlere tedavi edilecek kişinin durumu konusunda fikir verebileceğini göstermektedir. Önerilen çalışma mevcut hali ile şizofreni hastalığı tespitinde literatüre katkı sunacak pratik bir uygulama olarak umut vadetmektedir.Öğe How advantageous is it to use computed tomography image-based artificial intelligence modelling in the differential diagnosis of chronic otitis media with and without cholesteatoma?(Verduci Editore s.r.l, 2023) Ayral, Muhammed; Türk, Ömer; Can, Şermin; Esen, D.; Topçu, İsmail; Akıl, Ferit; Temiz, HakanOBJECTIVE: Cholesteatoma (CHO) developing secondary to chronic otitis media (COM) can spread rapidly and cause important health problems such as hearing loss. Therefore, the presence of CHO should be diagnosed promptly with high accuracy and then treated surgically. The aim of this study was to investigate the effectiveness of artificial intelligence applications (AIA) in documenting the presence of CHO based on computed tomography (CT) images. PATIENTS AND METHODS: The study was performed on CT images of 100 CHO, 100 non-cholesteatoma (N-CHO) COM, and 100 control patients. Two AIA models including Res-Net50 and MobileNetV2 were used for the classification of the images. RESULTS: Overall accuracy rate was 93.33% for the ResNet50 model and 86.67% for the MobilNetV2 model. Moreover, the diagnostic accuracy rates of these two models were 100% and 95% in the CHO group, 90% and 85% in the N-CHO group, and 90% and 80% in the control group, respectively. CONCLUSIONS: These results indicate that the use of AIA in the diagnosis of CHO will improve the diagnostic accuracy rates and will also help physicians in terms of reducing their workload and facilitating the selection of the correct treatment strategy.Öğe Yerel ikili örüntü yöntemi kullanarak EEG kayıtlarından mental aktivite tespiti(Institute of Electrical and Electronics Engineers Inc., 2017) Türk, Ömer; Özerdem, Mehmet SiraçElectroencephalogram signals are widely used in the detection of different activities but not in the desired level. In this study with this motivation, it is aimed to obtain the attributes by using the Local Bilinear Pattern (LBP) method of EEG records for various mental activities and to classify these features by k-Nearest Neighbor (k-NN) method. The binary classification performance of these EEG records containing 5 mental tasks was evaluated. In addition, in order to evaluate classification performance, confusion matrix was used as model performance criterion. In the study, the average of the classification performance of all participants was found as 87.38%. As a model performance criterion from the participants' classification of mental activity, accuracy was 85.03%, precision was 85.40% and sensitivity was 85.47%. So, as a result the obtained results support the literature and the applicability of the LBP method for EEG markings has been confirmed.
