Yazar "Zan, Hasan" seçeneğine göre listele
Listeleniyor 1 - 12 / 12
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Abnormal Heart Sound Detection Using Ensemble Classifiers(Ieee, 2018) Zan, Hasan; Yildiz, AbdulnasirPhonocardiogram is used for ambulatory diagnostic to assess health status of heart and detect cardiovascular disease. The goal of this study is to develop automatic classification method of PCG recordings collected from different databases and recorded in a different way. For this purpose, after various time and frequency domain features are extracted from PCG recordings obtained from two databases, recordings are subjected to pre-classification in order determine which database they are obtained from. Before final classification, various time, frequency and time-frequency domain features of classified recordings are extracted. These features are fed into four different classification ensembles trained with training dataset. With final decision rule, proposed algorithm achieved an accuracy of 98.9%, a sensitivity of 93.75% and a specify of 99.5%.Öğe Classification and analysis of epileptic EEG recordings using convolutional neural network and class activation mapping(Elsevier Sci Ltd, 2021) Yildiz, Abdulnasir; Zan, Hasan; Said, SherifElectrical bio-signals have the potential to be used in different applications due to their hidden nature and their ability to facilitate liveness detection. This paper investigates the feasibility of using the Convolutional Neural Network (CNN) to classify and analyze electroencephalogram (EEG) data with their time-frequency representations and class activation mapping (CAM) to detect epilepsy disease. Several types of pre-trained CNNs are employed for a multi-class classification task (AlexNet, GoogLeNet, ResNet-18, and ResNet-50) and their results are compared. Also, a novel convolutional neural network architecture comprised of two horizontally concatenated GoogLeNets is proposed with two inputs scalograms and spectrogram of the eplictic EEG signal. Four segment lengths (4097, 2048, 1024, and 512 sampling points) with three time-frequency representations (shorttime Fourier, Wavelet, and Hilbert-Huang transform) are statistically evaluated. The dataset used in this research is collected at the University of Bonn. The dataset is reorganized as normal, interictal, and ictal. The maximum achieved accuracies for 4097, 2048, 1024, and 512 sampling points are 100 %, 100 %, 100 %, and 99.5 % respectively. The CAM method is used to analyze discriminative regions of time-frequency representations of EEG segments and networks' decisions. This method showed CNN models used different time and frequency regions of input images for each class with correct and incorrect predictions.Öğe Classification of EEG Signals Using Hilbert-Huang Transform-Based Deep Neural Networks(Ieee, 2019) Zan, Hasan; Yildiz, Abdulnasir; Ozerdem, Mehmet SiracEpilepsy is one of the most common neurologic disease. Electroencephalogram (EEG) contains physiologic and pathological information related human nervous system. EEG signals used in this study are obtained from Bonn University, Department of Epileptology EEG database. Original database has five subsets (A, B, C, D, E). Data have been reorganized into three groups which are healthy (AB), interictal (CD) and ictal EEG signals. Furthermore, in order to examine effect of signal length on classification performance, three different lengths are used. Hilbert-Huang transform is applied to the signals and they are represented as image files. Then, generated images are fed into deep neural networks with five different structures for classification. Accuracy is calculated for all cases to asses performance of proposed method. it is clear that successful results could be obtained using Hilbert-Huang transform along with deep learning networks.Öğe Çocuklarda COVİD-19 ve yoğun bakım yönetimi(Dicle Üniversitesi Tıp Fakültesi, 2021) Şen, Velat; Zan, HasanAralık 2019'da Çin'in Wuhan eyaletinde yeni bir tip koronavirüs enfeksiyonu ortaya çıktı ve hızla yayılmaya başladı. Hastalığa neden olan virüs şiddetli akut solunum yolu sendromu coronavirüs-2 (SARS-CoV-2) olarak bildirilmiştir. O zamandan beri virüs dünya çapında 200'den fazla ülkeyi etkiledi ve küresel bir salgına neden oldu. Günümüzde, COVID19 pandemisi tüm dünyayı etkisi altına almaya devam ediyor. COVID-19 hastalığı çocuklarda yetişkinlere göre daha hafif veya asemptomatik seyretmekle beraber zaman ilerledikçe, COVID-19’ a bağlı kritik hasta çocuk sayısında artış görülmeye başlanmıştır. Biz bu derlemede kritik COVID-19 çocuk hastalarının takip ve tedavisini güncel kılavuzlar ışığında sunmayı planladık.Öğe Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Zan, Hasan; Yıldız, AbdulnasırUyku, insan sağlığı için gerekli olan karmaşık ve dinamik bir süreçtir. Uyku bozuklukları, uykunun kalitesi, miktarı veya zamanlamasındaki bozulmalarla karakterize edilen bir grup tıbbi durumdur. Uyku bozukluklarının teşhis edilmesi, bu bozuklukların etkili yönetimi ve tedavisi için oldukça önemlidir. Polisomnografi, uyku bozukluklarının teşhisi için kullanılan ve uyku sırasında beyin dalgaları, göz hareketleri, kas tonusu, kalp atış hızı ve nefes alma gibi çeşitli fizyolojik parametrelerin kaydedildiği non-invaziv bir testtir. Uyku evresi ve arousal skorlama, uyku uzmanlarının bir hastanın uyku düzenini değerlendirmesine yardımcı olan polisomnografinin iki önemli bileşenidir. Fakat, uyku skorlama, eğitimli uzman personel gerektiren, en az altı saat uzunluğundaki kayıtların önceden belirlenen kurallara göre dikkatlice incelenip skorlanmasını içeren oldukça yorucu ve zaman alıcı bir süreçtir. Bu tezde, polisomnografi sinyallerinden uyku evresi ve arousal tespiti için derin öğrenme tabanlı, verimli ve etkili iki yöntem önerilmiş ve bu yöntemler iki çalışma halinde sunulmuştur. İlk çalışmada, uyku evrelerinin sınıflandırılması için önerilen yeni bir yaklaşımın değerlendirilmesi ve doğrulanması amaçlanmıştır. Yaklaşım, yerel örüntü dönüşümleri ve evrişimsel sinir ağlarının kullanımına dayanmaktadır. Sinyaller, yerel örüntü dönüşümü yöntemlerinden biri kullanılarak yerel örüntüler içeren yeni sinyallere dönüştürülmüştür. Dönüştürülen sinyaller 30 saniyelik epoklara ayrılmıştır. Sınıflandırma, birden fazla ardışık epoku kabul edebilen bir model kullanılarak gerçekleştirilmiştir. Birden fazla epoktan özellikleri öğrenen model sınıflandırma sırasında epoklar arası bağlamı da dikkate almaktadır. Modelin performans analizi Sleep-EDF Expanded veri seti ve denek bazlı 20 katlı çapraz doğrulma ile gerçekleştirilmiştir. Geniş kapsamlı bir analiz için dört yerel dönüşüm yöntemi, beş sinyal kombinasyonu ve epok sayısı için üç farklı değer kullanılarak toplamda 60 adet deney yapılmıştır. Genel anlamda, en iyi performans sonuçları iki kanallı EEG ile tek kanallı EOG sinyallerinin birleşimi, bir boyutlu yerel ikili örüntü yöntemi ve beş epoklu giriş ile 0,848 doğruluk, 0,782 F1 skor ve 0,790 Cohen kapa olarak elde edilmiştir. İkinci çalışmada ise uyku evresi ve arousal tespiti için tam evrişimsel sinir ağı tabanlı, yeni ve çok görevli bir öğrenme yaklaşımı önerilmiştir. Çalışmada, tüm gece boyunca kaydedilen tek kanallı EEG sinyallerini kabul eden, girişine verilen sinyaller için uyku evresi ve arousal etiketlerini oluşturan bir model oluşturulmuştur. Önerilen model evrişim, yineleme, dikkat ve segmentasyon modüllerinden oluşmaktadır. Evrişim modülü giriş sinyallerinden lokal özellikleri çıkarır, yineleme modülü ise çıkarılan bu özellikler arasında uzun süreli bağlam kurar, dikkat modülü modelin girişin önemli bölgelerine odaklanmasını sağlar ve segmentasyon modülü iki adet tahmin maskesi oluşturur. Model uyku evresi ve arousal skorlamayı segmentasyon problemleri olarak ele alır ve bu problemlerin çözümü için birleşik bir çözüm sunar. Modelin performans değerlendirmesi Sleep Heart Health Study (SHHS) ve Multi-Ethnic Study of Atherosclerosis (MESA) veri setleri kullanılarak gerçekleştirilmiştir. SHHS veri seti ile uyku evresi skorlama için 0,875'lik doğruluk, 0,803'lük F1 skor ve 0,826'lık kapa elde edilmiştir. MESA veri seti için ise bu değerler sırasıyla 0,829, 0,761 ve 0,755 olarak kaydedilmiştir. SHHS veri seti için modelin arousal skorlama performansı AUPRC ve AUROC cinsinde 0,695 ve 0,973 olarak başarılmıştır. MESA veri seti için de oldukça benzer skorlar kaydedilmiştir. Uyku evresi skorlaması için geliştirilen diğer yöntemlerin aksine önerilen model iki görevi eşzamanlı olarak gerçekleştirmesine ve ham EEG sinyalleri kullanmasına rağmen uyku evresi skorlama açısından literatürdeki en iyi çalışmadan yalnızca %0,2 oranında daha düşük bir performans sergilemiştir. Model, literatürde arousal skorlaması için bildirilen en iyi performans değerlerini ise önemli oranda iyileştirmiştir.Öğe Detection of Walking Surface Features Using Convolutional Neural Network According to Gait(Institute of Electrical and Electronics Engineers Inc., 2021) Yıldız, Abdulnasır; Zan, HasanWalking is an integral human activity that includes linked efforts of muscles, brain and nerves. In general, gait of a person is unique and contains useful information belong to that person. Therefore, gait analysis has been used in areas of healthcare, security, sport and fitness. This work differs from other studies by using signals recorded from wearable sensors worn by subjects walking on nine different surfaces. These data and convolutional neural network were employed for walking surface detection. This demonstrates that gait of a person is adopted to walking surface and changes in the gait on different surfaces can be used for walking surface detection. In the experiment, 7958 3-second-long segments were classified with an accuracy of 95%.Öğe Enhancing vehicle fault diagnosis through multi-view sound analysis: integrating scalograms and spectrograms in a deep learning framework(Springer London Ltd, 2025) Akbalık, Ferit; Yıldız, Abdulnasır; Ertuğrul, Ömer Faruk; Zan, HasanThis study presents a comprehensive framework for vehicle fault diagnosis using engine sound signals, leveraging deep learning models and a multi-view approach. Traditional methods for vehicle fault diagnosis often rely on the expertise of mechanics or diagnostic tools, which can be costly, time-consuming, and may not always provide accurate results. To address these limitations, we propose CarFaultNet, a multi-view model that processes both scalograms and spectrograms simultaneously to capture complementary information from these time-frequency representations. Our approach incorporates transfer learning with pretrained convolutional neural networks, including AlexNet, GoogLeNet, ShuffleNet, SqueezeNet, and MobileNet v2, as well as CarFaultNet, which combines two MobileNet networks. The results demonstrate that CarFaultNet outperforms traditional machine learning methods and single-view deep learning models, achieving a precision of 95.32%, recall of 94.83%, F1-score of 94.99%, and accuracy of 95.00%. Class activation mapping visualizations provide valuable insights into the model's decision-making process, highlighting the regions of the input images that are most influential for the classification of different vehicle faults. By leveraging a large, diverse dataset encompassing various vehicle models and real-world operating conditions, our approach addresses the drawbacks of previous studies and demonstrates the potential of deep learning for practical and effective vehicle fault diagnosis.Öğe Local pattern transformation-based convolutional neural network for sleep stage scoring(Elsevier Ltd, 2023) Zan, Hasan; Yıldız, AbdulnasırSleep stage scoring is essential for the diagnosis and treatment of sleep disorders. However, manual sleep scoring is a tedious, time-consuming, and subjective task. Therefore, this paper proposes a novel framework based on local pattern transformation (LPT) methods and convolutional neural networks for automatic sleep stage scoring. Unlike in previous works in other fields, these methods were not employed for manual feature extraction, which requires expert knowledge and the pipeline behind it might bias results. The transformed signals were directly fed into a CNN model (called EpochNet) that can accept multiple successive epochs. The model learns features from multiple input epochs and considers inter-epoch context during classification. To evaluate and validate the effectiveness of the proposed approach, we conducted several experiments on the Sleep-EDF dataset. Four LPT methods, including One-dimensional Local Binary Pattern (1D-LBP), Local Neighbor Descriptive Pattern (LNDP), Local Gradient Pattern (LGP), and Local Neighbor Gradient Pattern (LNGP), and different polysomnography (PSG) signals were analyzed as sequence length (number of input epochs) increased from one to five. 1D-LBP and LNDP achieved similar performances, outperforming other LPT methods that are less sensitive to local variations. The best performance was achieved when an input sequence containing five epochs of PSG signals transformed by 1D-LBP was employed. The best accuracy, F1 score, and Kohen's kappa coefficient were 0.848, 0.782, and 0.790, respectively. The results showed that our approach can achieve comparable performance to other state-of-the-art methods while occupying fewer computing resources because of the compact size of EpochNet.Öğe Multi-task learning for arousal and sleep stage detection using fully convolutional networks(IOP Publishing, 2023) Zan, Hasan; Yıldız, AbdulnasırObjective.Sleep is a critical physiological process that plays a vital role in maintaining physical and mental health. Accurate detection of arousals and sleep stages is essential for the diagnosis of sleep disorders, as frequent and excessive occurrences of arousals disrupt sleep stage patterns and lead to poor sleep quality, negatively impacting physical and mental health. Polysomnography is a traditional method for arousal and sleep stage detection that is time-consuming and prone to high variability among experts.Approach. In this paper, we propose a novel multi-task learning approach for arousal and sleep stage detection using fully convolutional neural networks. Our model, FullSleepNet, accepts a full-night single-channel EEG signal as input and produces segmentation masks for arousal and sleep stage labels. FullSleepNet comprises four modules: a convolutional module to extract local features, a recurrent module to capture long-range dependencies, an attention mechanism to focus on relevant parts of the input, and a segmentation module to output final predictions.Main results.By unifying the two interrelated tasks as segmentation problems and employing a multi-task learning approach, FullSleepNet achieves state-of-the-art performance for arousal detection with an area under the precision-recall curve of 0.70 on Sleep Heart Health Study and Multi-Ethnic Study of Atherosclerosis datasets. For sleep stage classification, FullSleepNet obtains comparable performance on both datasets, achieving an accuracy of 0.88 and an F1-score of 0.80 on the former and an accuracy of 0.83 and an F1-score of 0.76 on the latter.Significance. Our results demonstrate that FullSleepNet offers improved practicality, efficiency, and accuracy for the detection of arousal and classification of sleep stages using raw EEG signals as input.Öğe Normal ve patolojik kalp ses kayıtlarının zaman-frekans temelli otomatik sınıflandırılması(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2018) Zan, Hasan; Yıldız, AbdulnasırKardiyovasküler bozukluklar veya kalp hastalıkları dünyada artan ölümlerin ana sebeplerinden bir tanesidir. Kalp hastalıklarının erken, ucuz ve kolay bir şekilde teşhis edilmesi insanların yaşam süresini arttırmada yardımcı olabilme potansiyeline sahiptir. Son 50 yıldır elektronik stetoskop ile kaydedilebilen, fonokardiyogram (PCG) olarak adlandırılan ve kalbin mekanik davranışı hakkında önemli bilgiler taşıyan kalp sesi işaretlerinden kişinin kalp hastası olup olmadığının tespitine yönelik çok sayıda teşhis destek algoritması geliştirilmiştir. Ancak geliştirilen bu algoritmaların başarımı genelde belirli bir lokasyondan alınan, gürültüsüz ve az sayıda kalp sesi kaydı içeren veri setleri üzerinden test edilmiştir. Bu da farklı lokasyonlardan alınan, gürültülü ve çok fazla sayıda kayıt içeren bir veri seti üzerinden başarımı test edilmiş yüksek performanslı algoritmaların geliştirilmesi gerektiğini gösterir. Bu tez çalışmasında PCG kayıtlarından kişini kalp hastası olup olmadığını tespit eden işaret işleme ve makine öğrenmesi temelli bir örüntü sınıflandırma algoritması geliştirilmeye çalışılmıştır. Geliştirilen algoritmanın başarım performansı 3240 kalp sesi kaydından oluşan bir veri bankası üzerinden test edilmiştir. Bu çalışmada PCG kayıtlarından kalp hastalıklarının teşhis desteğine yönelik önerilen algoritma, önişlem, özellik çıkarma-1, veri seti sınıflandırması, segmentasyon, özellik çıkarma-2, özellik seçme ve nihai sınıflandırma olmak üzere yedi temel aşamadan oluşmaktadır. Önişlem aşamasında PCG kayıtlarındaki sivri uçlar yok edilerek normalizasyon yapılmıştır. Sonraki aşamada kayıtların veri setine göre sınıflandırmaya yarayan sınıflandırıcının eğitilmesinde ve test edilmesinde kullanılan özellikler çıkarılmıştır. Kayıtlar alındıkları veri setine göre sınıflandırılırken karar ağaçları ve AdaBoostM2 algoritması ile oluşturulan sınıflandırıcı metotları topluluğu kullanılmıştır. Böylece, farklı veri setlerine ait veriler için farklı özellik ve sınıflandırıcı kullanılması sağlanmıştır. Algoritmanın segmentasyon aşamasında Springer'in segmentasyon algoritması kullanılarak kayıtlar temel kalp seslerine ayrılmıştır. Özellik çıkarma-2 aşamasında segmentasyonu yapılmış ve yapılmamış işaretlerin zaman, frekans ve zaman-frekans özellikleri çıkarılmıştır. Çıkarılan özellikler özellik seçme aşamasında azaltılmış ve algoritmanın son adımında yer alan sınıflandırıcıların eğitilmesinde ve test edilmesinde kullanılmıştır. Her bir kayıt için iki farklı sınıflandırıcı kullanıldığından kaydın normal veya anormal olduğuna yönelik son karar verilirken beş farklı kural kullanılarak en iyi sonucu veren kural bulunmuştur. En iyi sonucu veren kural bulunduktan sonra bu kural ile başarım performansı doğruluk, duyarlılık ve özgüllük açısında sırasıyla %95.21, %87.22 ve %97.28 olarak elde edilmiştir. Elde edilen bu değerlere göre önerilen algoritmanın performansı literatürdeki benzer çalışmalar ile kıyaslanmış ve önerilen algoritma başarılı bulunmuştur.Öğe Segmantasyon yapmadan patolojik kalp sesi kayıtlarının tespiti için bir örüntü sınıflandırma algoritması(Dicle Üniversitesi Mühendislik Fakültesi, 2019) Yıldız, Abdulnasır; Zan, HasanBu çalışmada, altı adet veri bankasından alınan kalp sesi kayıtlarına segmentasyon uygulamadan k-En Küçük Komşuluk (kNN), Destek Vektör Makinesi (DVM) ve sınıflandırıcı metotları topluluğu kullanarak sınıflandırmaya yarayan bir algoritma geliştirilmesi amaçlanmıştır. Altı aşamadan oluşan algoritmanın ilk aşaması olan Önişlem aşamasında sinyaller sivri uçlarından arındırılmış ve ardından normalize edilmiştir. İkinci aşama olan Özellik çıkarma–1 aşamasında, sinyalin çeşitli zaman ve frekans özellikleri çıkarılarak üçüncü aşamadaki veri bankası sınıflandırıcının eğitilmesinde ve test edilmesinde kullanılmıştır. Üçüncü aşama olan veri bankası sınıflandırması aşamasında, her veri bankası oluşturulurken kullanılan cihazların, kayıt yeri ve ortamının farklılığının negatif etkilerini azaltmak ve her veri bankası için farklı özellikler ile sınıflandırıcılar kullanmak amacıyla kalp sesi kayıtları veri bankalarına göre sınıflandırılmıştır. Dördüncü aşama olan Özellik Çıkarma-2 aşamasında veri bankalarına göre sınıflandırılan sinyallerin yine çeşitli zaman ve zaman-frekans özellikleri çıkarılmıştır. Beşinci aşamada her veri bankası için 3 farklı sınıflandırıcı (kNN, DVM ve sınıflandırıcı topluluğu) kullanılarak kayıtlar sınıflandırılmıştır. Algoritmanın son aşaması olan Oylama aşamasında, nihai sınıflandırma başarımını arttırmak amacıyla her kayıt için 3 farklı sınıflandırıcının çıkışları belli kurallara göre oylanarak kaydın sınıfı (patolojik veya normal) belirlenmiştir. Beşli çapraz doğrulama kullanılarak eğitilen ve test (tanı testi) edilen algoritmanın performansı ölçülürken doğruluk, duyarlılık, özgüllük, pozitif ve negatif yorum gücü ile ROC grafiğinin altında kalan alan gibi parametreler kullanılmıştır. En iyi performans sonuçları doğruluk: %94.28, duyarlılık: %87.97, özgüllük: %87.97, pozitif yorum gücü: %84.78, negatif yorum gücü: %96.86 ve ROC eğrisi altında kalan alan: 0.919 şeklinde elde edildi. Elde edilen bu değerler daha önceki çalışmalar ile kıyaslandığında algoritmanın oldukça başarılı olduğu ve kalbin patolojik durumuna ilişkin uzman hekime ön tanı imkânı sunabileceği söylenebilir. Anahtar KelimelÖğe Sleep arousal detection using one dimensional local binary pattern-based convolutional neural network(Institute of Electrical and Electronics Engineers Inc., 2021) Zan, Hasan; Yıldız, AbdulnasırSleep arousal is defined as a shift from deep sleep to light sleep or complete awakening. Arousals cause sleep deprivation by fragmenting sleep, and ultimately, many health problems. Arousals can be induced by well-studied apneas and hypopneas or other sleep orders such as hypoventilation, bruxism, respiratory effort-related arousals. Thus, detection of less-studied non-apnea/hypopnea arousals is important for diagnosis and treatment of sleep disorders. Traditionally, polysomnography (PSG) test that is recording and inspecting overnight physiological signals is used for sleep studies. In this work, a novel method based on one dimensional local binary pattern (1D-LBP) and convolutional neural network (CNN) for automatic arousal detection from polysomnography recordings is proposed. 25 recordings from PhysioNet Challenge 2018 PSG dataset are used for experiments. Each signal in PSG recordings is transformed to a new signal using 1D-LBP, and then segmented using 10-s-long sliding window. The segments are fed to a CNN model formed by stacking 25 layers for classification of non-apnea/hypopnea arousal regions from non-arousal regions. Area under precision-recall curve (AUPRC) and area under receiver operating characteristic curve (AUROC) metrics are used for performance measurement. Experimental results reflect that the proposed method shows a great promise and obtains an AUPRC of 0.934 and an AUROC of 0.866.
