Browsing by Author "Özkurt, Nalan"

Now showing 1 - 20 of 26

Atrial Fibrillation Detection with Spectrogram and Convolutional Neural Networks
(Institute of Electrical and Electronics Engineers Inc., 2024) Çağrı Kandıralı; Nalan Ǒzkurt; Nurbanu Dedebağı; Evrim Şimşek; Şimşek, Evrim; Kandıralı, Çağrı; Özkurt, Nalan; Dedebağı, Nurbanu; A. Cetin , T. Yildirim , B. Bolat
Atrial fibrillation (AF) is one of the most common heart arrhythmias and can lead to various complications such as heart failure stroke reduced exercise capacity palpitations anxiety shortness of breath and high blood pressure if not diagnosed promptly. In this study we investigated the application of time-frequency domain techniques and artificial intelligence tools for the diagnosis of AF. We proposed two custom-designed Convolutional Neural Network (CNN) architecture. 24-hour Holter ECG records from patients with AF and control subjects from the Cardiology Department of Ege University were used as dataset. Ten seconds of ECG time series signals were employed to train a 1D CNN while spectrogram images created from these signals were used to train a 2D CNN. We observed that the proposed spectrogram-2D CNN outperformed the 1D CNN benefiting from the time-frequency information extracted by the spectrogram. © 2024 Elsevier B.V. All rights reserved.
Beyin bilgisayar arayüzleri için el hareketlerinin çevrimiçi uyarlanır modellenmesi
(2019) Dabag, Mohand Lokman Ahmad Al; Özkurt, Nalan
Beyin bilgisayar arayüzü (BBA) çalışmaları insan ile makine arasında dolaylı bir bağlantı kurduğu için hem zorludur hem de ümit vadeder. Bu bağlantı genellikle girişimsel olmayan beyin sinyalleri algılama sistemi Elektroansefalografi (EEG) sinyallerinin makineyi yönetmek için doğru şekilde yorumlanması ile kurulur. EEG sinyalleri, beyin korteksindeki elektriksel aktiviteyi kafa derisi üzerinden dolaylı olarak kaydettiği için EEG sinyalleri, kötü kontak, güç hattı gürültüleri vb. gibi çok büyük miktarda bozulmadan mustariptir. Bu tezde, MATLAB ve C# programlama dilleri kullanılarak EMOTIV EPOC+ EEG cihazı tabanlı bir gerçek zamanlı uyarlanır BBA sistemi gerçeklenmiştir. Tezde önce EEG hareket sinyallerinden sağ ve sol parmak hareketlerinin ayrıştırılması için çevrimdışı bir algoritma geliştirilmesine odaklanılmıştır. Önişleme ve gürültü azaltmanın ardından, sistem kanalların çapraz ilintilerinin istatistiksel momentlerini sınıflandırmak için Çok Katmanlı Yapay Sinir Ağı (YSA) ve Destek Vektör Makineleri (DVM) kullanır. Etkin kanalların sağ ve sol lob kanallarıyla ilintileri daha ayırıcı öznitelikler oluşturuduğu gözlenmiştir. Sonuçlar YSA ve DVM'nin ortalamada %96 ile benzer başarıya sahip olduğunu gösterirken, DVM her zaman daha hızlıdır. Genetik algoritma ile istatistiksel özniteliklerden en ayırıcılar arandığında, parmak EEG sinyallerinin ayırılabilmesi için mod, en büyük ve standart sapmanın yeterli olduğu görülmüştür. Öznitelik seçiminen sonra da DVM, YSA ile benzer sınıflandırma oranlarına sahipken daha hızlı sonuç vermektedir. İkinci olarak MATLAB ve C# programlama dillerinin sırasıyla bilimsellik ve paralellik özellikleri kullanılarak gerçek zamanlı BBA yazılımı gerçeklenmiştir. Gerçek zamanlı sistem, çevrimdışı sistemde geliştirilen önişleme ve sınıflandırma yöntemlerini kullanarak kullanıcı arayüzü geliştirir. Bu sistem eş zamanlı işleme (üretici/tüketici) probleminin yaygın bir çözümünü iki aşamalı ardışık düzen benzetiminde kullanır. Bu da EEG hareket sinyallerinin gerçek zamanlı kaydı ve işlenmesi/sınıflandırılmasını ardışıl yerine interaktif çevrimiçi tepki zamanıyla işlenmesini sağlar.
The Calculation of Target Poles with Wavelet Transform for Electromagnetic Target Discrimination
(2012) Seçmen, Mustafa; Özkurt, Nalan
Dalgacık dönüşümü ile konuşma iyileştirme için yeni yaklaşımlar
(2022) Özen, Elif; Özkurt, Nalan
Günümüzde teknolojik gelişmelerin ışığında iletişim giderek daha fazla önem kazanmaktadır. İletişim çeşitli yöntemlerle gerçekleşse de en sık kullanılan iletişim tabanlarından biri konuşmadır. Günümüzde iletişim sadece insanlar arasında değil, birçok önemli uygulamada insanlarla makineler arasında gerçekleşmektedir. Bu nedenlerden dolayı, iletişimin sorunsuz bir şekilde sağlanabilmesi için konuşma sinyalinin temiz ve anlaşılır olması gerekir. Konuşma iyileştirme uygulamaları, gürültü etkisini mümkün olduğunca ortadan kaldırarak konuşma sinyallerinin kalitesini ve anlaşılırlığını artırmak için kullanılır. Konuşma tabanlı uygulamaların artmasıyla bu alandaki araştırmalar da hız kazanmıştır. Bu amaçla kullanılan yöntemler, tek kanallı ve çok kanallı yöntemler olmak üzere iki ana sınıf altında incelenir. Bu çalışmada, dalgacık dönüşümü yardımıyla şimdiye kadar kullanılan yöntemin başarısını artırmak için her yöntem için yeni bir yaklaşım önerdik. Önerilen ilk yöntem, bir dalgacık dönüşümü alan uyarlamalı filtre sistemidir. Konuşma sinyalleri ve gürültü, statik olarak durağan olmayan sinyaller olduğundan, uyarlanabilir filtreler, gürültüyü gidermek için en çok tercih edilen yöntemlerden biridir. Ancak, zaman alanında uyarlanabilir filtre uygulamasının, büyük veri kümeleri için daha düşük yakınsama hızı ve oranı gibi bazı eksiklikleri vardır. Bu nedenle bazı çalışmalarda Dönüşüm Alanında Uyarlanabilir Filtreler (DAUF) kullanılmıştır. Önerilen yöntemle, dalgacık dönüşümü alanında tam olarak uygulanan çoklu alt bant uyarlamalı filtreler ile mevcut DAUF'in yakınsama hızı, yakınsama oranı ve hesaplama karmaşıklığı açısından eksikliklerini gidermeyi amaçladık. Önerilen sistemin performansı, beyaz gürültü, pembe gürültü, gevezelik gürültüsü, motor rölanti gürültüsü, uçak kokpit gürültüsü gibi çeşitli gürültülerin etkisi altında konuşma sinyalleri üzerinde test edilmiştir. Sonuçları değerlendirmek için yaygın olarak kullanılan objektif ölçümler kullanıldı. Ancak, çalışmadaki öncelikli odak noktamız konuşma sinyallerini iyileştirmek olduğundan, amacımız sadece sinyal üzerindeki gürültüyü azaltmak değil, aynı zamanda konuşma sinyallerinin kalitesini ve anlaşılırlığını artırmaktır. Bu nedenle, işlenmiş konuşma sinyallerini değerlendirmek için Konuşma Kalitesinin Algısal Değerlendirmesi (PESQ) ve Kısa Süreli Amaç Anlaşılabilirlik puanı (STOI) gibi nesnel ölçüler kullanıldı. Son olarak sonuçlar literatürdeki çalışmalarla karşılaştırılmıştır. Tezde önerilen ikinci yöntem, dalgacık dönüşümü ile birleştirilmiş bir Evrişimsel Sinir Ağıdır (ESA). Bu yöntem, bir tek kanallı bir konuşma geliştirme uygulamasıdır ve bu yöntemdeki ana zorluk, konuşma sinyallerini bilinmeyen gürültüden ayırt etmektir. Bunu sağlamak için son yıllarda birçok derin öğrenme tabanlı yöntem kullanılmaktadır. ESA da son yıllarda konuşma iyileştirme için kullanılan yöntemlerden birisidir. ESA, normalde birçok uygulamada görüntü sinyallerini işlemek için kullanılır. Bu yöntemde, biz Sürekli Dalgacık Dönüşümünün (SDD) büyüklüğü ile elde edilen skalogramlarla ESA'yı eğittik. Bu şekilde, scalogramlar da görüntü gibi iki boyutlu veriler olduğu için ESA'nın en iyi özelliklerinden yararlanmayı amaçladık. Ayrıca dalgacık dönüşümü, sinyalleri zaman-frekans düzleminde gözlemlemek için en iyi yöntemlerden biridir. Çalışmanın bu bölünde, ESA'yı dalgacık dönüşümüyle birleştirerek, dalgacık dönüşümünün mevcut yöntemlerin başarısını artırma ve hesaplama karmaşıklığını azaltma açısından katkısını araştırdık. Son olarak, sonuçları standart konuşma değerlendirme ölçütleriyle değerlendirdik ve karşılaştırmalar ile sunduk.
Design and Implementation of Analog Filter and Amplifier for Surface EMG Signals
(2020) Özalp, Hasan; Özkurt, Nalan
Bu çalışmada, sağlıklı bireylerin yüzey elektrotlar yardımıyla, ön kol kaslarından elektromyografi (EMG) ölçümünün, gerçek zamanlı alınması ve aktivite takibi yapabilen giyilebilir cihaz tasarımı hedeflenmiştir. Elin açma ve kapatma hareketleri tekrarlanarak ölçümler yapılmıştır. Ölçümler sırasında kol yüzeyi üzerinde oluşan, 0-10 mV arasındaki voltaj işlemsel yükselteç ile arttırılmıştır. Tasarlanan yükselteç devresinde, ham yüzey EMG başarılı şekilde ölçülmüştür. EMG sinyali üzerindeki elektriksel veya diğer etkenlerden kaynaklı gürültülerin çıkartılması için filtre devreleri tasarlanmıştır. Bu filtreler, yüksek geçiren ve alçak geçiren filtrelerdir. Filtrelerin, EMG sinyali üzerindeki gürültüleri yok ettikleri gözlemlenmiştir. Yükseltilmiş EMG sinyalinin daha kolay incelenebilmesi için, negatif polarmadaki sinyaller hassas doğrultucu ile pozitif polarmaya geçirilmiştir. Bu aşamadan sonra tasarlanan yumuşatma devresi, kasılma sırasında oluşan sinyallerdeki gürültüleri büyük oranda azaltmıştır diğer aşamalara göre verilerin daha net oldukları gözlemlenmiştir. Bu aşamalar sonunda, sinyalin genliği büyük oranda azalmıştır. Sinyalin genliğini arttırmak için tasarlanan kazanç devresi çıkış voltajı maksimum 3 V olarak ölçülmüştür. EMG sinyalinin kolay ve pratik şekilde incelenebilmesi için, üzerinde HMI modülü ve SD kart girişi bulunan mikrodenetleyici tabanlı kontrol kartı tasarlanmıştır. Bu sayede, verilerin gerçek zamanlı takibi ve kayıt başlatılması dokunmatik ekran üzerinde bulunan ara yüz ile yapılabilmiştir. Veriler '.cvs' formatında kayıt edilmiştir. Kayıtlı veriler yapay sinir ağları ile kol hareketlerinin sınıflandırılmasında veri kümesi olarak kullanılabilecektir. Anahtar Kelimeler: Elektromiyografi, işlemsel yükselteç, elektronik filtre, hassas doğrultucu, yumuşatma, yapay sinir ağları, HMI, SD kart.
Dijital sağlık hizmetleri için dalgacık üretimi
(2024) Cibil, Çağla Sarvan; Özkurt, Nalan
Cardiovascular diseases are increasingly prevalent today, emphasizing the critical importance of early detection and treatment planning for maintaining health. Specialist analysis of electrocardiogram recordings plays a pivotal role in this process. To reduce the workload on healthcare professionals, automated and semi-automated systems have been developed to rapidly and accurately detect cardiac conditions. These technological innovations represent a significant step forward in the management of cardiovascular diseases. However, many current approaches prefer simple decision algorithms to reduce computational complexity in real-time electrocardiography (ECG) applications, and some generalized cardiac arrhythmia classification methods may not meet specific diagnostic needs. The wavelet transform (WT) is one of the most common algorithms used to extract meaningful information from nonstationary signals. Although it is an indispensable tool for analyzing signals in both time and frequency at various resolutions, the main challenge lies in selecting the suitable wavelet family for analysis. Typically, all available mother wavelets are employed in the analysis, and the best wavelet is selected heuristically or through an optimization algorithm to identify the most appropriate wavelet functions from a standard wavelet library. This thesis aims to construct the appropriate wavelet family for specific applications using wavelet theory and multi-objective genetic algorithm (MOGA). The proposed method describes a new and systematic approach that can also be utilized in computationally cost-effective classification models for portable health devices. The integration of wavelet theory into the construction algorithm ensures that the wavelets satisfy properties such as minimum phase, symmetry, and orthogonality. Additionally, the desired time-frequency content of the signals is analyzed and adapted to the designed wavelets thanks to the high-resolution decomposition ability of wavelet packet transform. Moreover, the constructed wavelets not only resemble the desired signals but also have discrete wavelet filters that can be used in fast wavelet transform calculations. The thesis proposes two modifications of the wavelet construction algorithm. The first one starts the wavelet design by creating piece-wise linear functions as genotypes in the piecewise polynomial-based wavelet construction method. In the second approach, namely, the roots of unit circle-based method, the genotypes are randomly initialized roots of the unit circle. Then, MOGA produces Pareto optimal solutions for the user according to the selected fitness functions. As a result, a new application-specific wavelet is constructed by combining the first and second-generation wavelet construction models. The performance of the wavelet construction algorithm is demonstrated with a case study on atrial fibrillation (AF) detection. Recordings from public datasets and ECG signals collected from the Ege University Cardiology department were used in the experiments. It was observed that a simple multilayer perceptron network detects AF signals with better performance than standard wavelets, thereby proving that our main objective is achieved.
Citation - Scopus: 2
Discrete and dual tree wavelet features for real-time speech/music discrimination
(Hindawi Limited 410 Park Avenue 15th Floor 287 pmb New York NY 10022, 2011) Timur Düzenli; Nalan Ǒzkurt; Düzenli, Timur; Özkurt, Nalan
The performance of wavelet transform-based features for the speech/music discrimination task has been investigated. In order to extract wavelet domain features discrete and complex orthogonal wavelet transforms have been used. The performance of the proposed feature set has been compared with a feature set constructed from the most common time frequency and cepstral domain features such as number of zero crossings spectral centroid spectral flux and Mel cepstral coefficients. The artificial neural networks have been used as classification tool. The principal component analysis has been applied to eliminate the correlated features before the classification stage. For discrete wavelet transform considering the number of vanishing moments and orthogonality the best performance is obtained with Daubechies8 wavelet among the other members of the Daubechies family. The dual tree wavelet transform has also demonstrated a successful performance both in terms of accuracy and time consumption. Finally a real-time discrimination system has been implemented using the Daubhecies8 wavelet which has the best accuracy. © 2019 Elsevier B.V. All rights reserved.
Disk Fren Sistemlerinde Dalgacık Tepeleri Yöntemi ile Ses Analizi
(2017) NALAN ÖZKURT; ZEYNEP ERTEKİN; cem yılmaz; Yılmaz, Cem; Ertekin, Zeynep; Özkurt, Nalan
Bu çalışmada hatalı disk fren sistemlerinden gelen seslerin dalgacık tepeleri yaklaşımı ile analizi gerçekleştirilmiştir. Bu sesler iki adet Norsonic Type 1228 mikrofon ile laboratuvar ortamında ve araç üzerinde kaydedilmiştir. Bir veri toplama kartı aracılığı ile bilgisayara aktarılan ses kayıtları Matlab ile analiz edilmiş normal fren sesleri ile istenmeyen sesleri ayırt etmek için Dalgacık Tepeleri yaklaşımı kullanılmıştır ve fren seslerinin dalgacık tepesi matrisleri için entropi değerleri bulunmuştur. İnceleme sonucunda hatalı frenlerden gelen sinyallerden hesaplanan entropilerinin daha yüksek olduğu ve bu değerlerin ayırıcı bir öznitelik olarak hata analizinde kullanılabileceği tespit edilmiştir
EKG tabanlı giyilebilir aktivite takip cihazının tasarımı ve uygulanması
(2018) Sarvan, Çağla; Özkurt, Nalan
Bu çalışmada MIT-BIH veri tabanından elde edilen normal, sağ dal bloğu, sol dal bloğu ve pace ritimlerine ait kalp vuruları verisi kullanılarak ayrıştırıcılığı yüksek özniteliklerin bulunması ve kalp sinyallerinin gerçek zamanlı alınmasıyla, aktivite takibi yapabilen, giyilebilir bir cihaz tasarımı hedeflenmiştir. Kesikli dalgacık dönüşümü (KDD) öznitelikleri ile aritmi sınıflandırma çalışması üç kısımda incelenebilir. İlk çalışmada dört aritmi tipi sinir ağları ile tek bir dalgacıktan elde edilen 16 istatistiksel öznitelikle ve iki farklı dalgacıktan elde edilen 32 öznitelikle sınıflandırılmıştır. Sınıflandırmada en başarılı bulunan iki dalgacıktan elde edilen 32 adetlik özniteliğin tek dalgacığa göre daha yüksek başarım oranı sağladığı gözlemlenmiştir. Daha sonra, incelenen aritmi vurularının sınıflandırılmasında farklı tip dalgacıkların farklı seviyede seçilen detay katsayılarının kombinasyonu ile yüksek başarım oranı sağlayan özniteliklerin seçilimi için genetik algoritma yönteminden faydalanılmıştır. Önerilen KDD yöntemi ile farklı tip dalgacıklardan bir öznitelik havuzu oluşturulmuştur. Sınıflandırma algoritmasında yüksek doğruluk oranı veren 16 adetlik öznitelik seti genetik algoritma yöntemi ile seçilmiştir. Uygunluk fonksiyonunda sinir ağının doğruluk oranı uygunluk fonksiyonu olarak kullanılmıştır ve bu değer maksimize edilmeye çalışılmıştır. Kalp sinyali aritmi tiplerinin karakteristiğini yansıtan uygun özniteliklerin tespit edilebilmesi için önerilen diğer bir yöntem çok amaçlı yaklaşımla GA kullanılmasıdır. Bu yöntemde oluşturulan öznitelik havuzundan seçilim birden fazla kriterin tek bir değere indirgenmesiyle yapılmıştır. Uygunluk fonksiyonu değerlendirmesinde sinir ağı sınıflandırmasının doğruluk oranı, ortalama karekök hata oranı ve seçilen öznitelik sayısı kullanılmıştır. Yüksek doğruluk oranını az hata ile sağlayan en düşük sayıda öznitelik seti aranarak bir yerine üç adet kriter çok amaçlı yaklaşımla GA kullanılarak değerlendirilmiştir. Farklı yöntemler ile tespit edilen öznitelik setlerinin testi için bir simülasyon programı oluşturulmuştur. Simülasyon programında iki adet dalgacığın birleşiminden elde edilen 32 adetlik öznitelik seti, GA tarafından seçilen 16 adetlik öznitelik seti ve çok amaçlı yaklaşımla GA kullanılarak tespit edilen 48 adetlik öznitelik setinin çok katmanlı algılayıcı (MLP) eğitim çıktısı kullanılmıştır. Geliştirilen grafik arayüzü ile seçilen öznitelik setini kullanarak MLP aritmi tipini belirler. Gerçek zamanlı kalp sinyallerinin elde edilmesi için kompakt bir devre tasarımı yapılmıştır. Kalp sinyalleri ile birlikte eş zamanlı hareket bilgisinin alınması için ivmeölçer kullanılmış olup sinyaller bir mikrodenetleyici üzerinden arayüz programına bluetooth modülüyle kablosuz olarak aktarılmıştır. Sinyaller tasarlanan arayüz programında gerçek zamanlı olarak çizdirilmiştir. Tasarlanan devre kartı 3D yazıcı ile basılan kompakt bir kutu içerisine yerleştirip giyilebilir bir EKG cihazı haline getirilmiştir. Böylelikle aktivite sırasında oluşan kalp ritimleri gerçek zamanlı olarak gözlemlenip kayıt altına alınabilmiştir.
Evrişimli otomatik kodlayıcı tabanlı aritmi tespit sistemi
(2024) Eravcı, Öykü; Özkurt, Nalan
Hastaların uzaktan izlenmesi, hastalıkların erken teşhisi ve yaşam kalitesinin iyileştirilmesi açısından çok önemlidir. Derin öğrenme tekniklerinin hızlı gelişimi, giyilebilir sağlık teknolojilerini önemli ölçüde ilerletmiş ve otomatik teşhisi giderek daha önemli hale getirmiştir. Bu çalışmada, özellik çıkarımı ve sınıflandırma için özel bir dalgacık tabanlı konvolüsyonel otomatik kodlayıcı (WBCAE) modeli kullanan yenilikçi bir derin öğrenme yaklaşımı öneriyoruz. Otomatik kodlayıcı model, dalgacıkların zaman-frekans alanı inceleme yeteneğini, otokodlayıcıların veri odaklı özellik öğrenme gücüyle ustaca birleştirir. Bu çalışma, normal sinüs ritmi (NSR), sağ dal bloğu (RBBB), sol dal bloğu (LBBB), atriyal prematüre kasılma (APC) ve prematüre ventriküler kasılma (PVC) gibi farklı tipte kardiyak aritmilerin yanı sıra atriyal fibrilasyonun (AF) sınıflandırılmasına odaklanmaktadır. Derin öğrenme tabanlı modelleri kullanarak aritmi sınıflandırmasının doğruluğunu ve verimliliğini önemli ölçüde artırmayı amaçlıyoruz, böylece erken hastalık tespiti ve kapsamlı hasta izleme için sağlam bir çerçeve sağlıyoruz. Bu çalışmanın temel hedefleri, otomatik kodlayıcı tabanlı derin öğrenme algoritmalarının performansını titizlikle değerlendirmek ve çeşitli kardiyak aritmilerin sınıflandırılmasını otomatikleştirmektir. Deneylerimizden elde edilen bulgular, kardiyak hastalık teşhisinde derin öğrenme tabanlı modellerin kullanılmasının önemini vurgulamakta ve dalgacık yöntemlerinin otomatik kodlayıcılarla entegrasyonunun biyomedikal sinyal işleme sistemlerindeki büyük potansiyelini göstermektedir. Bu çalışma, erken hastalık tespiti ve hasta izleme için güvenilir bir araç sunarak tıbbi teşhisler alanına önemli bir katkı sağlamakta ve nihayetinde sağlık sonuçlarını geliştirmektedir.
FMRI kullanılarak otomatik DEHB teşhisi
(2025) Taşpınar, Gürcan; Özkurt, Nalan; Çetinkaya, Hakan
Dikkat eksikliği hiperaktivite bozukluğu (DEHB), birçok çocuk ve ergenin okul ve sosyal yaşamını olumsuz yönde etkilemektedir. DEHB aynı zamanda ailelere ve topluma da önemli yükler getirebilmektedir. Ayrıca, günümüzdeki dijitalleşme düzeyinin dikkat sürelerine olumsuz etki ettiği, belirlenmiş oyun alanlarının azalmasının ise çocuklarda biriken enerjinin dışarı atılmasında olumsuz etki yarattığı gözlenmektedir. Son yıllarda bu faktörlerin, en bilinen ruhsal sağlık bozukluklarından biri olan bu hastalığın farkındalığına katkıda bulunduğu düşünülmektedir. Görüntüleme ve makine/derin öğrenmedeki hızlı gelişmeler sayesinde, teşhisi acil ve önemli olan DEHB için geçmişte geleneksel yöntemlerle kullanılanlardan daha güvenilir teşhis yöntemleri artık mevcuttur. Bu tez çalışmasında oldukça geniş bir literatür taraması gerçekleştirilmiştir. Literatürde gözlenen bazı eksikler de gözetilerek, son zamanlarda DEHB teşhisinde sıklıkla kullanılan fonksiyonel manyetik rezonans görüntüleme (fMRG) verilerinden faydalanılarak bazı alternatif yöntem önerileri sunulmuştur. Bu alternatif yöntem önerilerinin etkinliğinin niceliksel olarak karşılaştırılabilmesi amacıyla DEHB teşhisinde genelde kullanılan yöntemleri içeren, sıklıkla atıf alan ve karşılaştırma için sıklıkla kullanılan 3 adet çalışma seçilmiştir. Bu çalışmalarda kullanılan yöntemler ortaklaştırılarak, bir referans modeli oluşturulmuştur. Bu referans modelin parametre optimizayonundan sonra alternatif yöntem önerileri tek tek ve bir arada referans modele entegre edilmiştir. Her bir entegrasyon sonucunda oluşan yapı optimize edilerek referans model ve literatür ile niceliksel olarak karşılaştırılmıştır. DEHB teşhisi için oluşturulan modellerin genelde sahip olduğu her bir aşama için ayrı bir alternatif yöntem önerisi yapılmıştır. Tüm beyin bölgelerinin kullanımı yerine varsayılan mod ağı (VMA) beyin bölgelerinin kullanılması, beyin bölgeleri arasındaki işlevsel bağlantıların hesaplanması için Pearson'ın ilişki katsayısı yöntemi yerine dalgacık dönüşüm uyumu (DDU) yönteminin kullanılması ve veri dengeleme ile özellik seçimi için sentetik azınlık aşırı örnekleme tekniği ve elastik ağ tabanlı özellik seçici yerine oto kodlayıcı'nın (OK) kullanılması önerilmiştir. Önerilen yöntemlerle elde edilen yapıların hepsi DEHB teşhisinde gelişim göstermiştir. Önerilen yöntemlerin referans modele entegre edilmesi ile oluşan yapılar arasında en yüksek sınıflandırma sonucuna ulaşan yapının VMA ve OK'nin birlikte kullanıldığı yapı olduğu gözlendiği için bu yapı geliştirilmiştir. Bunun için literatürde sıklıkla araştırılan teknik yöntemler yerine DEHB ile beyin bölgelerinin ilişkisi araştırılmıştır. Literatürde bu alandaki boşluk da gözetilerek DEHB'nin bireylerin hareket, dürtüsellik, hissi and karar alma işlevlerinde hasarlar oluşturmasından hareketle beynin 'basal ganglia', 'limbic system', and 'frontal cortex' alt sistemlerine odaklanılmıştır. Bu alt sistemleri oluşturan beyin bölgeleri seçilerek DEHB teşhisinde tüm beyin bölgelerinin kullanılmasından sonra en çok tercih edilen ağ olan VMA beyin bölgelerinin kullanılmasına bir alternatif oluşturulması istenmiştir. Bu alternatif oluşturulurken DEHB teşhisinde özelleşmiş bir odaklanma ve gelişimin elde edilmesi amaçlanmıştır. Bu uygulama esnasında bu sefer DEHB alt tipleri de sınıflandırmaya dahil edilmiş ve hemen tüm sınıflandırma olasılıkları için uygulama tekrarlanarak alternatif yöntem önerilerindeki gibi geniş, karşılaştırmalı ve niceliksel sonuçlar elde edilmiştir. Bu sonuçlardan gözlendiği üzere DEHB teşhisi için doğru beyin bölgeleri seçilmiştir. Ayrıca niceliksel sonuçlardan gözlendiği üzere bu tez çalışmasında DEHB-H teşhisine dair olası bir sorun üzerine bir hipotez ortaya atılmış ve niceliksel sonuçlarla incelenmiştir. Literatürde kullanılan veri tabanlarındaki DEHB-H teşhisi konan hasta sayısındaki dramatik azlık ve DEHB teşhisinde kullanılan öznel kriterlerdeki yoruma açıklık, bu çalışmada elde edilen geniş, karşılaştırmalı ve niceliksel sonuçlarla desteklenmiştir.
Kalp aritmilerinin evrişimsel sinir ağları ve spektrogram tabanlı yöntemle sınıflandırılması
(2021) Şen, Sena Yağmur; Özkurt, Nalan
In this thesis, the main objective is to classify heart rhythms which were acquired from MIT-BIH Arrhythmia Database using Convolutional Neural Networks (CNN) architecture. The classified heartbeats are normal sinus rhythm, premature ventricular contraction (PVC), left bundle branch block (LBBB), and right bundle branch block (RBBB). Two main studies are described as follows; CNN Classification of Time-Series vs. Spectrogram Study and Spectrogram-CNN-Hyperparameter Tuning with Adam Optimization Algorithm Study. In CNN Classification of Time-Series vs. Spectrogram study, the classification of arrhythmias was carried out via using both raw signals and Short-Time Fourier Transform (STFT) in order to analyze the characteristic of the heartbeat signals. In time-domain classification, normal sinus rhythm, PVC and RBBB heart signals were used as a 1-D vector. The large number of electrocardiogram (ECG) time-series signals were classified with CNN by using their raw form. With the aid of STFT, Hamming window was applied in order to obtain the information from the signal. The normal sinus rhythm, PVC, and RBBB heart signals which are in the time domain were transformed into the time-frequency domain with the help of STFT. The STFT provided the acquisition of spectrograms from heart signals, and these spectrograms were classified with CNN through using as their RGB image form. The proposed CNN Classification of Time-Series vs. Spectrogram study demonstrated the high accomplishment rates in the deep learning approach, and according to accuracy, sensitivity and specificity terms, and also showed to better than traditional feature extraction methods. In Spectrogram-CNN-Hyperparameter Tuning with Adam Optimization Algorithm study, heartbeat signals were examined by tuning CNN hyperparameters. The ECG heart signals which are normal sinus rhythm, LBBB, and RBBB were transformed into their corresponding spectrograms in order to acquire characteristics of the heart signals. These spectrograms were restricted with a particular time/frequency resolution rate, and the suitable time/frequency resolution rate was identified heuristically. Adam was selected as an optimization algorithm of the deep learning network in order to train the ECG spectrograms. The tuned hyperparameters were the learning rate, gradient decay factor and squared gradient decay factor of the Adam algorithm. The identification of hyperparameters was performed by using the grid search method in order to compare the results. The effect of the tuning process according to learning rate and the moment estimation coefficients were represented as their validation loss graphs. The proposed Spectrogram-CNN-Hyperparameter Tuning with Adam Optimization Algorithm study yielded great achievement rates with respect to accuracy, sensitivity and specificity terms.
Karma bir teknik kullanarak otomatik elektrokardiogram vuru sınıflandırma sistemi
(2014) Samınu, Sani; Özkurt, Nalan
Heart is one of the critical organs in the human body. Electrocardiography (ECG) signal is a bioelectrical signal which record the electrical activity of the heart, it is a technique used primarily as a diagnostic tool for various cardiac diseases by providing necessary information on the electrophysiology and changes that may occur in the heart. To reduce mortality rate associated with cardiac diseases, early detection of these diseases is of paramount important. In this thesis, automated ECG beat detection system using a hybrid technique has been proposed for classifying four ECG beats as normal, right bundle branch block (Rbbb), paced beat and left bundle branch block (Lbbb) using the signals from Massachusetts Institute of Technology Beth Israel Hospital (MIT-BIH) arrhythmia database and processed using signal processing toolbox, wavelet toolbox and neural network toolbox found in Matlab 2013 environment. In the preprocessing and QRS detection stage, a well known and acceptable Pan-Tompkins algorithm has been used to remove noise and detect R-peaks. Equivalent R-T interval samples between R-R intervals have been extracted as a time domain features, these features have been decomposed using discrete wavelet transform (DWT) and stationary wavelet transform (SWT) as time-frequency features, statistical parameters have been calculated as mean, median, standard deviation, maximum, minimum, energy and entropy using time-frequency features and classification has been performed using neural network. The hybrid method gives a promising result as equivalent R-T interval features gives average accuracy of 98.22% and 94.18%, the DWT with statistical features gives average accuracy of 99.84% and 97.59% for reduced and large number of samples respectively. However, an improvement was recorded when employing SWT for wavelet decomposition using large number of samples with average accuracy of 98.33%. Also comparative performance has been carried out between different wavelet families in which db4, coif5 and sym8 give higher performance. Wavelet time and frequency entropy using SWT have been calculated as a new feature; based on the classification results wavelet time entropy gives average accuracy of 98.21% against frequency entropy of 97.77%. Based on the comparative analysis among all the proposed methods combined SWT with statistical features gives higher and satisfactory results. Keywords: ECG, DWT, SWT, Pan-Tompkins, ECG beat classification
Konuşma/Müzik Ayrıştırması için Kesikli Dalgacık Dönüşümü Tabanlı Öznitelik Çıkarımı
(2015) NALAN ÖZKURT; HATICE DOGAN; Timur Düzenli; Dogan, Hatıce; Düzenli, Timur; Özkurt, Nalan
Bu çalışmada konuşma ve müzik işaretlerinin birbirinden ayrıştırılabilmesi için kesikli dalgacık dönüşümü tabanlı bir öznitelik seti önerilmiştir. Öznitelik setinde dalgacık katsayılarının ortalamaları varyansları ve altbandlar arası değişim oranları kullanılmıştır. Dalgacık dönüşümünün sinyalleri iyi ifade edebilmesi sayesinde 0 5 saniyelik pencerelerde dahi yüksek doğruluklu bir sınıflandırma sağlanabilmiştir. Veri seti olarak internet radyolarından kaydedilmiş çeşitli bayan-erkek konuşmaları ve farklı türlerden müzik işaretleri kullanılmıştır. Daubechies-8 dalgacığının yok etme moment sayısı ve dikgenliği dikkate alındığında bu ailenin diğer üyeleri arasında en iyi performansa sahip olduğu gözlenmiştir. Öznitelikler çıkarıldıktan sonra ilintili öznitelikleri yok etmek için temel bileşen analizi kullanılmıştır. Sınıflandırma hem yapay sinir ağları hem de destek vektör makineleri ile yapılmış ve önerilen özniteliklerin klasik özniteliklerden çok daha iyi performans gösterdiği gözlenmiştir
Konvolüsyonel sinir ağını kullanarak EMG sinyallerinin sınıflandırılması
(2020) Dönmez, Hayriye; Bakırcıoğlu, Kaan; Özkurt, Nalan
An electrical signal is produced by the contraction of the muscles, this electrical signal contain information about the muscles, the recording of these signals called electromyography (EMG). This information is often used in studies such as prosthetic arm, muscle damage detection and motion detection. Classifiers such as artificial neural networks, support vector machines are generally used for classification of EMG signals. Despite successful results with such methods the extraction of the features to be given to the classifiers and the selection of the features affect the classification success. In this thesis, it is aimed to increase the classification success of the daily used hand movements using the Convolutional Neural Networks (CNN), which is one of the machine learning methods. The advantage of the deep learning methods like CNN is that the relationships in big data are learned by the network. Firstly, the received EMG signals for forearm are windowed to increase the number of data and focus on the contraction points. Then, to compare the success rate, raw signals, Fourier transform of the signal, the root mean square and the Empirical Mode Decompositions (EMD) of the signals are given to four different CNN. Afterwards, to find the most efficient parameters, the results were obtained by dividing data set into three as 70% training set, 15% validation set and 15% test set. In order to test the performance of the system, 5-fold cross validation was applied. The best results are obtained from the CNN, which receive the EMD applied signal as input. Final results obtained with the cross validation is 95.90%, where 93.70% accuracy is reached without cross-validation. When the results were examined, it was seen that the designed CNN were successful in the classification of the EMG signals.
Citation - Scopus: 4
Multi Channel EEG Based Biometric System with a Custom Designed Convolutional Neural Network
(Springer Science and Business Media Deutschland GmbH, 2022) Kaan Bakırcıoglu; Musa Bindawa Tanimu; Nalan Ǒzkurt; Mustafa Seçmen; Cüneyt Güzeliş; Osman Yıldız; Tanimu, Musa Bindawa; Bakırcıoglu, Kaan; Güzeliş, Cüneyt; Yıldız, Osman; Seçmen, Mustafa; Özkurt, Nalan; M.N. Seyman
In this study a convolutional neural network (CNN) is designed to identify multi-channel raw electroencephalograph (EEG) signals obtained from different subjects. The dataset contains 14 channel EEG signals taken from 21 subjects with their eyes closed at a resting state for 120 s with 12 different stimuli. The resting state EEG waves were selected due to better performance in classification. For the classification a Convolutional Neural Network (CNN) was custom designed to offer the best performance. With the sliding window approach the signals were separated into overlapping 5 s windows for training CNN better. fivefold cross-validation was used to increase the generalization ability of the network. It has been observed that while the proposed CNN is found to give a correct classification rate (CCR) of 72.71% the CCR reached the level of average 83.51% by using 4 channels. Also this reduced the training time from 626 to 306 s. Therefore the results show that usage of specific channels increases the classification accuracy and reduces the time required for training. © 2022 Elsevier B.V. All rights reserved.
Citation - WoS: 3
Citation - Scopus: 3
Multi-objective advisory system for arrhytmia classification
(Elsevier Ltd, 2021) Çağla Sarvan; Nalan Ǒzkurt; Sarvan, Çağla; Özkurt, Nalan
The study proposes the best electrocardiography (ECG) arrhythmia classification features suited to application needs by using multi-objective approach. The wavelet transform (WT) is successful for ECG classification. Also the combination of features obtained from different coefficients of different wavelets provides higher performance rate than individual wavelet. However most of the feature selection algorithm focuses attention on one objective such as accuracy or to the number of features for a real time system. In this study different solutions were proposed that will increase the classification performance on three different objectives such as positive predictive value (PPV) accuracy and number of selected features. The wavelet type and level that best reflect the 4 different ECG arrhythmia types were searched by using Multi-Objective Evoltionary Algorithm (MOEA). Multilayer perceptron (MLP) was preferred as a fitness function. The non-dominant sequencing genetic algorithm II (NSGA-II) was used and the algorithm ran many times with different seed values. The preferred solutions meeting the preference criteria were examined in detail. The highest accuracy and PPV rate obtained was 9782% and 94.94% respectively with 24 features. Moreover it has been observed that some of the features obtained from an individual wavelet type have a low contribution to the classification performance and some of them can outweigh. To illustrate that the combination of features obtained from different level coefficients of different wavelet types provides more successful discrimination in ECG arrhythmias and to provide feature sets according to the requested metric values are the some of the main contributions of this study. © 2021 Elsevier B.V. All rights reserved.
Noise Analysis of Air Disc Brake Systems Using Wavelet Synchrosqueezed Transform
(2019) Zeynep ERTEKİN ÖZDAMAR; Nalan ÖZKURT; Özdamar, Zeynep Ertekin; Özkurt, Nalan
Recently signal processing methods are shown to be successful while diagnosing faults in mechanicalsystems using noise or vibration data. In this study two different faulty air disc brakes, noisy and lessnoisy ones are investigated using Wavelet Synchrosqueezed Transform on audio recordings. Thedifference between two types are shown in scalogram and also verified by a quantitative measure ofentropy. The audio recording has been carried out by using two identical microphones sited on the brakesvia data acquisition unit at a sampling rate of 20 kHz 16-bit resolution and these data are analyzed inMATLAB software. The average of the entropy values of faulty and non-faulty brakes were found to be0.98 and 0.65 respectively. Therefore it has been concluded that the entropy could be used as adistinguishing tool to discriminate the faults.
Otomotiv fren sistemleri için ses analizi
(2018) Ertekin, Zeynep; Özkurt, Nalan
In this thesis, air disc brakes are investigated in terms of noise using signal processing tools. Inspired by the literature view, sound and vibration data are used in order to detect faults, moreover; many algorithms are proposed to classify the type of the dysfunction. Sounds recorded from a noiseless, a less noisy and a noisy brake by a data acquisition board, are analyzed in time domain, in frequency domain and in time-frequency domain, respectively. The mean, variance, number of zero crossings, maximum, minimum, and entropy of time windows are calculated and the brakes are classified as noisy and less noisy using k nearest neighbor classification algorithm. The same procedure is repeated for frequency domain considering features mean, variance, spectral roll-off, maximum and entropy. Since time-frequency domain analysis will reveal the characteristics of the sound signals better, qualitative and quantitative analysis has been accomplished by using continuous and discrete wavelet transform. It has been shown that the discrimination between the noisy and less noisy brakes signals can be observed in time-frequency domain clearly. Key Words: Disc brake systems, noise, wavelet transform, frequency domain, k nearest neighbor (k-NN algorithm)
Citation - Scopus: 6
Performance analysis of the speech enhancement application with wavelet transform domain adaptive filters
(Springer, 2023) Elif Özen Acarbay; Nalan Ǒzkurt; Özen Acarbay, Elif; Özkurt, Nalan
Adaptive filters are one of the most commonly used methods in digital signal processing today. Nonetheless depending on the characteristics of the signals and noise the processing complexity and convergence speed for adaptive filters vary. The application of adaptive filters in the transform domain is preferred as a solution to this problem. It has been shown that the application of the NLMS (Normalized Least Mean Square) algorithm in the wavelet transform domain was successful for speech enhancement application. However further analysis is required to see the performance of the Wavelet Transform Domain (WTD)-NLMS method for cleaning speech signals disturbed by commonly used ambient noises for speech applications. Obtained results were evaluated with the measures frequently used for speech enhancement applications and compared with the results in the state-of-art. It was observed that the proposed WTD-NLMS structure outperforms speech enhancement applications done up to now in terms of SDR MSE STOI and PESQ metrics. © 2023 Elsevier B.V. All rights reserved.