Deep learning
630 theses under this subject heading
Derin öğrenme modelleri kullanılarak ses verileri ile parkinson hastalığı erken evre tespiti
Parkinson hastalığı, beyinde dopamin adlı nörotransmiteri üreten sinir hücrelerinin bozulmasıyla ortaya çıkan, hareket sistemini etkileyen nörodejeneratif bir hastalıktır. Dopamin, hareketlerin kontrolü, uyumu ve akıcılığından sorumludur. Dopamin eksikliği sonucu hastalarda titreme, hareketlerde yavaşlama (bradikinezi), kas sertliği (rijidite) ve denge bozuklukları gibi motor semptomlar gelişir. Parkinson hastalığı genellikle ileri yaşlarda görülmekle birlikte, nadiren genç yaşlarda da ortaya çıkabilir. Hastalık yalnızca motor değil, konuşma ve ses üzerinde de etkilere neden olabilir. Beyindeki değişiklikler, konuşmanın tonlamasını bozabilir. Yaygın konuşma semptomları arasında yumuşak veya sessiz konuşma, monoton tonlama, sözcüklerin sesletiminde ve gevelemesinde zorluk yer alır. Bu durum, hastaların çevresiyle etkili iletişim kurmasını zorlaştırabilir. Bu tez çalışmasında, Parkinson hastalığının ses temelli biyobelirteçler aracılığıyla tespitine yönelik çeşitli makine öğrenmesi ve derin öğrenmeye dayalı Evrişimsel sinir ağları içeren yapay zekâ temelli yeni yaklaşımlar geliştirilmiş, literatüre yeni veri sağlanmıştır. Çalışmada, ünlü harfler (/a/, /o/ ve /i/) ve Türkçe "gofret" kelimesinin telaffuzu sırasında elde edilen ses sinyalleri kullanılmıştır. Elde edilen ses verileri, çeşitli görsel temsillere (spektrogram, kromogram, MFCC (Mel-Frekans Cepstral Katsayıları) ve tempogram) dönüştürülmüş ve bu görseller üzerinde veri artırma (zaman maskeleme, esnetme, kaydırma ve frekans maskeleme) teknikleri de uygulanarak ikili (binary) sınıflandırma işlemleri gerçekleştirilmiştir. Ayrıca, Parkinson hastalığının farklı evrelerinin sınıflandırılması için CNN model geliştirilmiştir. Bu çalışmada elde edilen en iyi sonuçlara göre, hastalık ve sağlık sınıflandırmasında MIS-DL (Çoklu Ünlü Girişli Spektrogram Tabanlı Derin Öğrenme Modeli) %97,5 doğruluk sağlamıştır. Evre sınıflandırmasında ise PDVS-DL (Parkinson Hastalığının Ses Tabanlı Evre Sınıflandırması için Derin Öğrenme Modeli) ile %93,1 başarım elde edilmiştir.
Küresel konumlama sistemi kaybı olan ortamlarda insansız hava araçları için geliştirilen alternatif seyrüsefer tekniği
İnsanlı ve insansız uçaklarda küresel konumlama sistemindeki (GPS) kayıp, uçağın seyrüseferini etkilemektedir, fakat insanlı uçaklarda pilot tarafından seyrüsefer devam edebilirken, insansız uçaklarda uçağın kırımı gibi bir sonuç ile karşılaşılabilinmektedir. Bu sebeple, küresel konumlama sistemi olmayan ortamlarda uçakların seyrüseferlerine devam edememesi en sık görülen seyrüsefer sorunlarından birisidir. GPS kaybı durumunda, ataletsel seyrüsefer sistemi (INS) ile uçaklar seyrüseferine bir süre devam edebilse bile, uçaklardaki sürüklenmeden kaynaklı konumundaki hata gittikçe artmaktadır ve uçak takip edebilmesi gereken rotadan uzaklaşmaktadır. Bu sebeple bu tezde GPS bilgisinden beslenmeyen uçak üzerine yeryüzünü görecek şekilde yerleştirilmiş faydalı yük kamerası ile insansız hava aracının (İHA) konumunu bilmesini sağlayan bir sistem geliştirilmiştir. Bir tanesi uçak üzerine yerleştirilmiş faydalı yük kamerasından, bir diğeri de uydudan alınmış GPS konumu bilinen görsellerin olduğu iki adet görüntü verileri bulunmaktadır. Çeşitli öznitelik çıkarma sinir ağı modelleri ve iki görüntü seti içerisinde normalleştirilmiş değişken ortak enformasyon kullanılarak İHA'nın konumunun tespit edebilen bir yöntem geliştirilmiştir. Uydudan gelen görüntü setindeki görseller GPS konumları ile birlikte etiketlenip, İHA aracına verilmektedir. Bu iki görüntü seti öznitelik belirleme ve sınıflandırma için kullanılan sinir ağından geçirilip, öznitelikleri belirlendikten sonra, bu öznitelikler tasarlanan iki adet sinir ağından daha geçirilmektedir. İlk sinir ağında geçirildikten sonra, uydu görsellerinin İHA'dan gelen görsellerin içinde olup olmadığı tespit edilip, eğer İHA'dan gelen görüntü içerisinde uydu görselleri var ise, ikinci sinir ağından daha geçirilip, İHA konumunun uydu görselleri üzerinden eşleştirilmesi yapılmaktadır. İkinci sinir ağından alınan sonuçlara ile birlikte iki görüntü seti içerisinde normalleştirilmiş değişken ortak enformasyon kullanılmaktadır. İkinci sinir ağından gelen konum bilgisi sonucuna, normalleştirilmiş ortak enformasyon hesabında daha fazla ağırlık verilerek, eşleşmenin maksimum olduğu bölge aranmaktadır. GPS kaybı durumunda, İHA'dan alınan görseller içerisinde önceden verilmiş etiketlenmiş uydu görselleri aranıp ve uydu görselinden gelen obje, İHA görüntüsü üzerinden tespit edildiği anda, uydu görselinin GPS bilgisi, insansız hava aracına verilmektedir. Önerilen algoritmayı test etme amacıyla İHA tarafından toplanmış görüntüler ve uydudan alınmış görseller içeren iki veri seti bulunmuş ve etiketleme işlemleri yapılmıştır. Önerilen algoritma farklı öznitelik çıkarma sinir ağları kullanılarak, İHA görüntülerinin birleştirildiği ve birleştirilmediği senaryolarda test edilmiştir. Ortak enformasyon işlemi sonrasında elde edilen sonuçların, sinir ağının çıktılarına kıyasla, ortalama kareli hata ve kesişim kümesi oranları bakımından daha üstün olduğu gözlemlenmiştir.
Derin öğrenme ile çizge zaman serilerinin analizi
Zaman serileri bir nesnenin zamansal değişimini anlamak için kullanılır. Finans, enerji sektörü, trafik gibi çeşitli alanlarda zaman serileri ile karşılaşılmaktadır. Ayrıca anomali tespiti, davranış tanıma gibi birçok problem, zaman serisi problemi olarak modellenebilir. Bu yüzden gerçek hayatta sıkça karşılaşılan zaman serilerinin analizi büyük öneme sahiptir. Dolayısıyla, zaman serisi problemleri yaygın bir şekilde araştırılmakta ve çözülmeye çalışılmaktadır. Çizgeler ise nesneler arası ilişkileri analiz etmek için kullanılır. Bazı zor problemler, problem verisi çizge olarak analiz edildiği zaman daha iyi anlaşılabilir. Bu yüzden çizge problemleri de literatürde önemli bir yer sahiptir. Zaman serileri ve çizgeler problemin farklı yönlerini anlama imkânı sunarlar. Bu yüzden, literatürde zaman serilerini çizgeler ile birleştirerek daha iyi modelleme yapan çalışmalar mevcuttur. Bu yöntem finans alanında bazı çalışmalarda uygulanmaktadır. Bu tez çalışmasında, finansal tahmin problemi için derin öğrenme yöntemleri ile çizge serisi analizi yapılmıştır. Bunun için öncelikle DOW 30 borsası bir çizge olarak temsil edilmiştir. Sonrasında farklı zaman anlarındaki çizgeler sıralanarak çizge serisi oluşturulmuştur. Elde edilen seri ile yapay sinir ağı eğitilerek hisselerin değişim miktarı tahmini yapılmıştır. Tahmin edilen değişim miktarına göre ana paradan günlük al/sat stratejisi uygulanarak yatırım yapılmıştır. Bunun sonucunda yıllık getiri yüzde olarak hesaplanmıştır. Araştırma sonucunda, sadece zaman serisi kullanılarak geliştirilen derin öğrenme modellerine kıyasla daha yüksek ortalama yıllık getiri kazanılmış olup çizge serisi kullanmanın finansal tahmini ciddi ölçüde iyileştirdiği bir başka deyişle zaman serisi ile yakalanamayacak çıkarımların yapılabildiği sonucuna varılmıştır. Tez çalışmasında, birden çok yöntemle çizge serisi oluşturulmuştur. Farklı çizgelerle eğitilen derin öğrenme modelleri ile benzer ortalama yıllık getiri elde edilmiştir. Böylece, çizge serisi elde etme yönteminin güçlü (robust) ve kararlı (stable) bir yöntem olduğu gösterilmiştir. Ayrıca eğitilen derin öğrenme modellerinin çıktılarından en çok artan hisse tahminin yapan bir kolektif model eğitilmiştir. Nihai model ile ortalama yıllık %26,68 kazanç elde edilmiştir. Bu yöntemin literatürdeki temel yöntemlerin yanı sıra çeşitli açgözlü (greedy) algoritmadan da daha yüksek getiri sağladığı gösterilmiştir. Sonuç olarak geliştirilen kolektif model, gerçek hayatta günlük al/sat stratejisi için kullanılabilecek bir yöntem olarak önerilmiştir.
Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi
Belirli istenen özelliklere sahip moleküler yapılar inşa etme fikri, ilaç keşfi ve malzeme bilimindeki birkaç büyük problemin temelini oluşturur. Fakat, kimyasal uzay o kadar geniştir ki, günümüzde mevcut olan hesaplama kaynakları ile bu alanın tamamını araştırmak imkansızdır. Bu nedenle, yeni bir ilaç bulmak hem zaman hem de maddi açıdan çok maliyetli olabilir. Neyse ki, son yıllarda artan veri ile birlikte bilgisayar donanımı ve yazılımındaki gelişmeler, doğal dil işlemeden bilgisayarla görüye uzanan alanları etkileyen derin yapay sinir ağlarında bir devrime yol açmıştır. Derin öğrenme, moleküler özelliklerin tahmini ve optimizasyonu için yeni yolların tasarımı da dahil olmak üzere, ilaç keşfindeki bir dizi alanı etkilemiştir. Derin öğrenmedeki bu gelişmeler ve ilaç üretimi için kullanılabilecek büyük veri tabanlarının artışı sayesinde son yıllarda umut verici sonuçlar alınmıştır. Bu tez çalışmasında, istenen belirli özellikler için yeni moleküller üretebilen bir model geliştirilmiştir. Bu model temelde iki farklı modelin birleşiminden oluşmaktadır. İlk model, moleküllerin üretilmesini gerçekleştiren bir Derin Takviyeli Öğrenme mimarisine sahiptir. Diğer model ise Derin Takviyeli Öğrenme mimarisine sahip modelin eğitiminde kullanılan moleküler temsilleri üreten bir Çizge Sinir Ağı'dır. Bu Çizge Sinir Ağı modeli için de iki farklı mimari kullanılmıştır. Bu mimarilerden ilki, Çizge Evrişimsel Ağı, diğeri ise Çizge Dikkat Ağı'dır. Geliştirilen modeli kullanarak temelde beş ayrı iş için molekül optimizasyonu ve üretimi gerçekleştirilmiştir. Bu işler, QED değerinin optimizasyonu, benzerlik kısıtlaması ile cezalı LogP değerinin optimizasyonu, benzerlik kısıtlaması ile QED değerinin optimizasyonu, belirlenen hedef protein alıcıları (F2, PPAR, JAK2) için kenetlenme skorunun optimize edilmesi ve kenetlenme skorunun optimize edildiği işteki eğitilen model kullanılarak rastgele başlangıç moleküllerinin optimize edilmesi şeklindedir. Önerilen bu modeli kıyaslamak için literatürde benzer görevlerde en iyi sonuçları almış bir model olan MolDQN, temel yöntem olarak tercih edilmiştir. Kıyaslamak için kullanılan bu model aynı Derin Takviyeli Öğrenme mimarisine sahiptir ancak eğitilirken molekül temsili olarak Morgan Parmak İzi'ni kullanmaktadır. Yapılan deneylerin sonuçları, Çizge Sinir Ağı mimarisini kullanarak üretilen moleküllerin, Morgan Parmak İzi yöntemi kullanılarak üretilen moleküllerden belirgin düzeyde daha başarılı olduğunu göstermiştir.
Jest ve mimiklerden yapay sinir ağları ile duygu sınıflandırma
Metin, resim, video ve konuşma gibi farklı veri kaynaklarından doğru duyguyu sınıflandırmak, çeşitli disiplinlerden araştırmacılar için ilham verici bir alanı olmuştur. Videolardan ve fotoğraflardan otomatik duygu algılama, denetimli ve denetimsiz makine öğrenimi yöntemleri kullanılarak üzerinde çalışılan zorlu konulardan biridir. Bu tez çalışmasında bir takım ön işleme adımları ve yeni bir derin öğrenme mimarisi ile videolardan duygu analizi yöntemi sunulmaktadır. Videolardan OpenPose aracı kullanılarak elde edilen yüz ve vücut pozisyon bilgileri modellerde kullanılmak üzere poz tanımlayıcılara dönüştürüldü, ardından LSTM ve Dönüştürücü modelleri bu veri ile eğitilerek performansları karşılaştırıldı. Ardından LSTM ve Dönüştürücü modellerine bir CNN bloğu ön katman olarak eklenmiş poz tanımlayıcılarla beslenen CNN bloğunun çıktısı LSTM ve Dönüştürücü modelleri için girdi olarak kullanıldı. Model doğruluklarını iyileştirmek amacı ile Video Çoklama, Anahtar Kare Seçimi ve Gauss Karışım Merkezi yaklaşımları ön işleme adımları olarak eklenmiş ve deneyler bu farklı yaklaşımların kombinaysonları için tekrarlandı. Yapılan kapsamlı deneylerin ardından sonuçlar karşılaştırıldı ve önerilen iki katmanlı sınıflandırıcı yapısı ve ön işleme adımlarının etkileri gözlemlendi. Sonuçlar ayrıca aynı veri kümesini kullanan güncel, yüksek doığruluk oranlarına sahip diğer yöntemlerle de karşılaştırıldı. FABO ve CK+ olmak üzere iki yaygın veri kümesi kullanılarak gerçekleştirilen deneyler, FABO veri seti için video çoklama uygulanmış CNN-Dönüştürücü yapısının %99 doğruluk oranı ile, diğer modellerden daha iyi bir performansa sahip olduğunu gösterdi. Her iki veri kümesi için de bir çok versiyonda önerilen model %90 üzerinde doğruluğa ulaşarak kayda değer başarımlar elde etti.
Yapay zeka ile metamalzeme ve metayüzey yapılarının tasarımı
Metamalzemeler, doğal yollarla oluşturulamayacak, negatif veya sıfır kırılma indisi, görünmezlik ve perdeleme gibi yeni optik niteliklere sahip malzemelere erişme imkanı sağlayabilmektedir. Metamalzemelere bu özellikleri kazandırabilmek için gerekli Maxwell denklemlerinin çözümü ve süreç optimizasyonunun deneme-yanılma sistemine bağımlı olması insan faktörünün yeteneklerinin kısıtıyla birleşince yeni optik özellikli metamalzemelerin gelişimi yavaş ilerlemekteydi. Son on yılda kripto para evreninin güdümüyle gelişen ekran kartları yapay zeka ve derin öğrenme evrenini geliştirmiştir. Bu gelişim sonlu eleman modelleme, sonlu fark zaman alanı yöntemleri ile geliştirilen algoritmaların derin öğrenme ve yapay zeka uygulamalarıyla hızlandırılmasına ve yeni metamalzeme keşfetme sürecinin hızlanmasına yardımcı olmuştur. Yüksek odaklama verimliliğine sahip geniş bant, düşük indisli lens tasarımına yönelik hedef öncelikli algoritma kullanılarak 3.2um-16um tasarım alanında 10.000 iterasyon yapılarak 1300-1700nm dalga boylarında akromatik lens Lumerical programı ile %80 verimlilik ve 0.7 açıklık ile başarılmıştır. Nano yapının üretim imkansızlığını gidermek için Bruggeman uygulaması yapılarak yine %80 verimlilik ve 0.7 açıklık ile başarılmıştır. Simulasyon verileri 13.300 kat büyütülerek üretilerek test edilmiş ve %65 verimlilik 0.71 Enine Elektrik ve 0.69 Enine Manyetik polarizasyonda başarılmıştır. Yine yüksek indisli lens tasarımı hedef öncelikli algoritma ile yapılmış ve 0.8um-9.6um tasarım alanında 1.2um odak uzaklığı mesafesinde 1.86 açıklık değeri ile tasarlanmış ve tasarım parametrelerinden yalnızca %4 verim farkı ile üretilip denenmiştir. Si02 yüzey üzerine TiO2 silindirler kullanılarak tasarlanmak istenen bir ışın bölücü için Lumerical programıyla 13767 simulasyon bir hafta gibi uzun bir sürede oluşturulmuştur. Bu verilerden 11014'ü derin öğrenme algoritmalarıyla çoğaltılarak Lumerical programında 60 yıl sürecek 6.2milyon veri 1 saat gibi bir sürede oluşturularak silindirik yapıların boyutları belirlenerek ışın bölücü tasarlanmıştır.
Obstrüktif uyku apnesinin derin öğrenme kullanılarak tahmin edilmesi
Nefes alışverişinin en az on saniye boyunca durması olarak tanımlanan uyku apnesi, günümüzde sık karşılaşılan bir uyku hastalığı olarak bilinmektedir. Obstrüktif uyku apnesi (OUA), solunum yolunda tıkanmaya bağlı gerçekleşen en yaygın uyku hastalıklarından biridir. Bu sendromun geliştirilen modeller yardımıyla otomatik olarak tespit edilebilmesinin yanında ön görülebilmesi de ciddi seviyelerde sağlık problemlerini ve hayati tehlikeyle karşı karşıya kalma durumunu önlemek açısından önemlidir. Yüksek doğrulukla çalışan tahmin modellerinin geliştirilmesi ile OUA rahatsızlığı yaşayan kişilerin sendrom anı gelmeden uyarılması ve uykudan uyandırılması ile olası risklerin yaşanmadan önlenmesi mümkün olabilecektir. Bu tez çalışmasında, derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ile OUA tanısı konmuş hastalara ait elektrokardiyografi sinyalleri kullanılarak apne tahmini yapan modeller sunulmuştur. Bu modellerden birincisi, önceden eğitilmiş mimariler ile yapılan sıfırdan eğitim çalışmasıdır. İkinci model, önceden eğitilmiş mimariler ile transfer öğrenme yöntemi kullanılarak yapılan çalışmadır. Üçüncü model, ilk iki modelde gözlemlenen bulgulara bağlı olarak önerilmiş yeni bir modeldir. Son modelde ise üçüncü modelde önerilen derin öğrenme mimarisinden elde edilen özniteliklerin, mimarinin kendi sınıflandırıcısı yerine Destek Vektör Makineleri, Rastgele Alt Uzay k-En yakın Komşuluk ve Rastgele Alt Uzay Diskriminant Analizi yöntemleri ile sınıflandırıldığı durumda gözlemlenen sonuçlar sunulmuştur. Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen modellerin OUA tahmininde iyi bir belirteç olarak kullanılabileceğini göstermektedir.
Patolojik seslerin tanısı için derin öğrenme tabanlı tıbbi karar destek sisteminin geliştirilmesi
Patolojik duruma bağlı olarak normal konuşma akışının bozulması, ses bozukluğu olarak bilinir. Bu nedenle, mevcut herhangi bir bozukluk, konuşma üretim sisteminin işleyişini bozar ve dolayısıyla bozuk bir ses üretir. Bazı laringeal patolojiler hayatı tehdit eder, bu nedenle ses bozukluğunun erken tespiti önemlidir. Patolojik seslerin tespitinde bir karar destek sisteminin geliştirilmesi hayati önem taşımaktadır. Patolojik seslerin belirlenmesi amacıyla seslerden çıkarılan özniteliklerin değerlendirilmesinde istatistiksel yöntemlerin grup bazında bir sonuç vermesi nedeniyle bireysel düzeyde bir cevap elde edilebilmesi amacıyla son yıllarda makine öğrenme yöntemleri araştırmacılar tarafından ilgi çekici bir konu olmuştur. Bununla birlikte makine öğrenmesinin özniteliklerin manuel çıkarılmasına ihtiyaç duyması nedeniyle optimal özniteliklerin otomatik olarak çıkarılabildiği derin öğrenme teknikleri araştırmacıların güncel araştırma konuları arasına girmiştir. Ancak henüz patolojik ses bozukluklarının tespiti alanında derin öğrenme tekniklerinin kullanımı ile ilgili az sayıda araştırma çalışması bulunmaktadır. Bu tez çalışmasında, patolojik seslerin belirlenmesi amacıyla derin öğrenme yöntemleri kullanılmıştır. Çalışmada Saarbruecken Ses Veritabanından vokal kordlardaki yapısal değişikliklerin neden olduğu organik disfoniye sebep olan patolojilere sahip hastaların ses kayıtları seçilmiştir. Bu patolojiler arasında larenjit, lökoplazi, Reinke ödemi, rekürren laringeal sinir felci, vokal kord karsinomu ve vokal kord polibi bulunmaktadır. Her bir bireyin nötr perdesinde sürekli sesli /a/ sesi kayıtları seçilmiştir. 380'i sağlıklı ve 380'i patolojik olmak üzere 760 ses kaydı kullanılmıştır. Veriler, sırasıyla %75 ve %25 örnek içeren eğitim seti ve test seti olarak ayrılmıştır. Ses sinyallerine öncelikle dalgacık gürültü giderme işlemi uygulanmıştır. Daha sonrasında ses sinyallerinin spektrogram görüntüleri alınarak dört faklı Evrişimsel Sinir Ağı (ESA) mimarisine girdi olarak verilmiştir. Tez kapsamında ESA mimarisi olarak GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılmıştır. İlk aşamada patolojik seslerin belirlenmesi amacıyla seçilen Evrişimsel Sinir Ağı mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. Daha sonra aynı Evrişimsel Sinir Ağı mimarileri bu kez sadece öznitelik çıkarımında kullanılmıştır ve Komşuluk Bileşen Analizi ile öznitelik seçimi yapıldıktan sonra farklı sınıflandırma algoritmalarıyla sınıflandırılarak oluşturulan modellerin performans analizleri yapılmıştır. Kullanılan sınıflandırma algoritmaları Karar ağaçları, Destek Vektör Makineleri, k-En yakın komşuluk, Ensemble ve bu çalışma için tasarlanmış bir karar ağacı yöntemidir. En başarılı performans SqueezeNet mimarisinden çıkarılan özniteliklerin Ensemble algoritması ile sınıflandırılması sonucu elde edilmiştir. Gözlemlenen bulgular, önerilen bu modelin patolojik seslerin belirlenmesinde umut verici olduğunu göstermektedir.
Transfer öğrenimi tabanlı evrişimli sinir ağlarını kullananotomatik dental panoramik görüntü segmentasyonu
Radyolojik incelemelerde kullanılan X-Ray görüntüleri diş hekimlerinin hastanın problemini anlamak ve çözmek için başvurduğu temel verilerden biridir. Bu görüntülerden panoramik X-ray görüntüleri tüm ağız bölgesini göstermesi sebebiyle hastanın probleminin teşhis ve tedavisi açısından daha kapsamlıdır. Ayrıca diş harici birçok bölümü de içerdiğinden en karmaşık yapıya sahip görüntülerdir. Öte yandan kullanılan cihazlardan kaynaklı farklı görüntü niteliklerine sahiptirler. Bunlar göz önünde bulundurulduğunda panoramik X-ray görüntülerinin doğru işlenmesi zorlayıcı bir süreçtir ve başarılı bir şekilde analiz edilmesi büyük önem teşkil etmektedir. Bu süreci otomatik hale getirerek uzmanlara yardımcı olmak için çeşitli klasik görüntü işleme algoritmaları geliştirilmiştir. Yıllar boyunca veri setlerinin boyutlarının artması, kullanılan cihazların gelişmesi gibi etkenlerle birlikte derin öğrenme (DL) teknolojisi daha popüler hale gelmiş ve uygulama alanları genişlemiştir. Dolayısıyla klasik görüntü işleme algoritmalarının yanı sıra X-Ray görüntüleri birçok amaç için derin öğrenme (DL) teknolojisi kullanılarak da analiz edilmeye başlanmıştır. Fakat diş veri setlerinin boyutları diğer uygulama alanlarında bulunan veri setlerinin boyutlarına kıyasla oldukça azdır. Bu tezin amacı küçük veri seti boyutu sorununa transfer yöntemi ile çözüm bularak panoramik X-ray görüntüleri ile başarılı bir diş segmentasyonu gerçekleştirmektir. Elde bulunan panoramik X-ray görüntülerinin boyutlarının farklılığını gidermek için bütün veri seti yeniden boyutlandırılarak aynı formatta olmaları sağlanmıştır. Seçilen görüntü düzenleme uygulamasıyla modellerin eğitiminde kullanılacak görüntü maskeleri oluşturulmuştur. Transfer öğrenme yöntemi için ihtiyaç duyulan önceden eğitilmiş derin öğrenme (DL) modeli olarak U-Net ve InceptionResNet-V2 modelleri seçilmiş ve iki farklı derin öğrenme mimarisi oluşturulmuştur. InceptionResNet-V2 modeli halka açık görüntü veri setiyle önceden eğitildiği için kütüphane olarak hazır halde bulunmaktadır. U-Net modeli ise halka açık olarak yayınlanan göğüs X-Ray veri seti ile eğitilmiştir. Önceden eğitilmiş modeller ile birleştirilerek panoramik X-ray görüntüleri üzerinden eğitilecek olan temel derin öğrenme (DL) modeli olarak U-Net mimarisi seçilmiştir. Böylece iki farklı derin öğrenme mimarisi oluşturularak eğitim gerçekleştirilmiştir. Modellerin veri ezberlemesine karşı veri artırma yöntemi bütün iş veri setine uygulanmıştır. Ayrıca erken sonlandırma yöntemiyle de yine veri ezberleme probleminin önüne geçilmiştir. Oluşturulan test veri seti kullanılarak modellerin doğrulukları zar katsayısıyla ölçülmüş ve sonuçlar karşılaştırılmıştır.
Yoğun bakım hastalarının mortalite ve hastanede kalma sürelerinin derin öğrenme yöntemleri ile tahmini
Günümüzde dijital dönüşüm hızının artması ile beraber fiziksel olarak saklanan verilerin elektronik ortamlara aktarılması da hız kazanmıştır. Bu durum, birçok alana olduğu gibi sağlık alanına da doğrudan yansımıştır. Geçmişte fiziksel olarak saklanan hastaya ait kayıtlar bu sayede dijital ortamlara geçirilmiştir. Dijital ortama aktarılan hastaya ait demografik bilgiler, laboratuvar sonuçları, yaşamsal gözlem verileri, klinik notlar, tanı kodları ve benzeri birçok veri Elektronik Sağlık Kaydı (ESK) olarak tanımlanmaktadır. Sağlık alanındaki dijital dönüşüme ek olarak, derin öğrenme yöntemlerine olan geniş ilgi, araştırmacıları, finans, sosyal medya, siber güvenlik gibi birçok alanda yapay zeka yöntemlerini kullanmaya teşvik etmektedir. Elektronik sağlık kayıtlarının araştırmacılar için kullanılabilir hale gelmesiyle birlikte, bu veri setlerini kullanarak derin öğrenme modelleri geliştirmeye olan ilgi artmaktadır. Tez kapsamında yapılan deneylerde, günümüzdeki en popüler ve erişilebilir elektronik sağlık kayıt veri seti olan Medical Information Mart for Intensive Care (MIMIC-III) kullanılmıştır. Yoğun bakımda yatan hastaların, yaşamsal gözlem verilerini ve diğer klinik bilgilerini ölçerek, hastaların mevcut sağlık durumlarını anlamlandırmak ve gelecek sağlık durumlarını tahmin etmek önemli bir problemdir. Tez kapsamında, hastaların hastane içinde ve yoğun bakımda mortalite ihtimalleri ile yoğun bakımda 3 ve 7 günden fazla kalıp kalmayacakları çok-kipli derin öğrenme tabanlı yöntemler ile tahmin edilmiştir. Gerçekleştirilen çalışma üç ana bölüme ayrılmıştır. İlk bölümde, yoğun bakımda yatan hastalara ait yaşamsal gözlem verileri, laboratuvar sonuçları gibi özniteliklere ek olarak hastalara ait klinik notlar da model eğitimine dahil edilmiş ve modelin klinik problemleri tahmin etme başarısı arttırılmaya çalışılmıştır. İkinci bölümde, klinik notların doğrudan kullanılması yerine, varlık isim tanıma yöntemi ile notlar içerisinden medikal terimlerin çıkartılması sağlanmıştır. Elde edilen medikal terimlerin, mortalite ve yoğun bakımda kalma süresi tahmini problemlerine etkisi araştırılmıştır. Yapılan son çalışmada ise, hastaların zaman serisi özniteliklerine ilave olarak, hastaların yoğun bakımda kaldıkları süre boyunca kullandıkları ilaçların moleküler temsilleri kullanılmış ve klinik problemlerin tahminine etkisi üzerine deneyler yapılmıştır. Ek olarak, bu çalışma sonunda, hastanede mortalite tahmini için eğitilen modelin açıklanabilirliğini arttırmak amacıyla SHapley Additive exPlanations (SHAP) yöntemi kullanılmıştır. SHAP yönteminin çıktısı, zaman-serisi ve klinik ilaç özniteliklerinin model üzerindeki etkisininin daha derin bir analizinin yapılmasını sağlamaktadır. MIMIC-III veri seti içerisinde hastaya ait farklı veri türlerinin bir arada bulunması, tez kapsamında yapılan deneylerde bu veri türlerinin bir arada kullanılabilmesine ve farklı deneylerin gerçekleştirilebilmesine olanak sağlamıştır. Farklı veri türlerini aynı model içerisinde kullanabilmek için çok-kipli derin öğrenme tabanlı yöntemler önerilmiştir. Yapılan deney sonuçları incelendiğinde, zaman-serisi özniteliklerin yanı sıra hastaya ait klinik notların, medikal terimlerin ve ilaç bilgilerinin modele girdi olarak verilmesinin, klinik problemlerin başarımına olumlu yönde etki ettiği görülmüştür.
Düşük güç tüketimi ve yüksek başarım için özgün uyarlanabilir gömülü sistem ve bellek tasarımları
Modern gömülü sistemler ve bilgisayarlarda düşük güç tüketimi sağlamak için bu sistemlerin en önemli parçası olan bellek yapılarında enerji kayıplarını azaltan çözümlere ihtiyaç vardır. Ancak bu çözümlerin başarımda istenen seviyeyi düşürmemesi ve hoş görülemez alan kaybına neden olmaması beklenir. Çağdaş bilgisayar mimarilerinde en çok kullanılan bellek yapılarından biri, Dinamik Rasgele Erişimli Bellek (DRAM)'lerdir. DRAM'i oluşturan bit hücreleri, belirli bir süre herhangi bir erişim olmaksızın veri saklayabilmekte ancak belirli süreden sonra erişim yapılmazsa sızdırma akımları nedeniyle veri kaybı olmaktadır, bu nedenle periyodik olarak DRAM hücrelerine erişilmesi ve yenilenmesi (Refresh) gerekmektedir. Bu işlem ise, hem güç tüketimi hem de başarım açısından oldukça maliyetlidir. Tez kapsamında, farklı koşullar/girdilere göre DRAM'in devre parametrelerini (besleme gerilimi veya alttaş kutuplama gerilimi) kendisinin değiştirilebildiği özgün Uyarlamalı DRAM (Adaptive DRAM) tasarımları (Geliştirdiğim üç tasarımdan ikisi; 2019/17243 ve 2019/13677 patent numarası ile tescillenmiştir, üçüncüsü; 2019/10444, tescil sürecindedir.) önerilmektedir. Önerilen tasarımların herhangi biri, DRAM'e kıyasla en az %21 daha düşük güç tüketimi sağlamaktadır, ve sadece %10'dan daha az gecikmeye neden olmaktadır. Ayrıca, özgün ADRAM tasarımlarımız, girdilere göre, ihtiyaç duyulan toplam yenileme sayısında %34 ile %81,8 aralığında düşüş sağlayabilmektedir. Durağan Rasgele Erişimli Bellek (SRAM) diğer bir önemli bellek birimidir. SRAM için sızdırma akımları küçülen transistör boyutları (kanal genişliği, ısıl yükler vb.) nedeniyle büyüyen bir problemdir. Bu problemi çözmek için, birden fazla hücre içeriği uyarlamalı ve bu uyarlamayı birden fazla hücreye dağıtan Multi-contents Aware SRAM (MASRAM) tasarımı önerilmektedir. MASRAM, 64 bit gruplu hücre öbeği için en az %74 ihtimalle %35'e varan durağan enerji kaybı düşüşü sağlayabilmektedir (15. ve 47. bit'lere göre alttaş kutuplama gerilimi 64 hücreye uygulandığında), ve sadece %1'lik bir alan artışına neden olur. Gömülü sistemlerden uç cihazlara, hava savunmadan yapay zeka uygulamalarına, Alanda Programlanabilir Kapı Dizileri (FPGA) kullanımı, yeniden programlanabilir yapısı nedeniyle yaygınlaşmaktadır, ve FPGA'lerde güç tüketiminin önemi de artmaktadır. Düşük güç tüketimi için önerilen çözümlerden biri, FPGA'lerde "gerilim düşürme"'dir. Ancak, bu yöntem güvenilirlik endişesi oluşturmamalı, ve istenen doğruluk seviyesini garanti etmelidir. Tez kapsamında, FPGA tabanlı Evrişimsel Sinir Ağları (CNNs) hızlandırıcılar için gerilim düşürmeye yönelik şu çalışmalar gerçekleştirilmiştir: İlk çalışmada; farklı FPGA'lerde, farklı frekanslarda, farklı CNN denektaşları için gerilim düşürme ile doğruluk ilişkisi araştırılır. İkinci çalışma, -40 ile 50 C arasındaki her sıcaklıkta, 4 farklı nem koşulunda (ilk kez bir FPGA için), farklı gerilimlerde CNNs koşturularak; gerilim düşürmenin doğruluklara etkisinin farklı zorlu şartlar altında karakterizasyonu sağlanır. Ayrıca, FPGA tabanlı CNN hızlandırıcıların güç verimliliğinde; temel tasarıma kıyasla %65 artış sağlayan, 3 özgün güvenilir gerilim düşürme tasarımı önerilmiştir. Son çalışmada ise, ilk kez, şu 2 etki keşfedilmiştir: CNN hızlandırıcı FPGA'lerde belirli bir düşük voltajda artan sayıda CNN iterasyonu ile doğrulukların azalması (DIE), ve o voltajda yineleme devam ederken geçici olarak yüksek gerilim uygulamanın DIE'a karşı iyileştirici etkisi (RE). Bu etkileri kullanarak, istenen doğruluğu koruyarak en az %43 güç verimliliği artışı sağlayan 3 özgün FPGA gerilim düşürme tasarımı önerilmiştir.
Koşullu çekişmeli üretken ağ kullanarak dengesiz veriler ile tornalama işlemlerinde tırlama tespiti
Tornalama, tarihteki en eski ve günümüzde de en sık kullanılan talaşlı imalat yöntemlerinden biridir. Tırlama kesici takım ve iş parçası arasındaki kuvvetler sebebiyle oluşan istenmeyen bir titreşim türüdür. Talaşlı imalatta karşılaşılan ve tezgâhlar için en yıkıcı titreşim türü olan tırlama titreşimleri, iş parçasına, kesici takıma ve tezgâhlara zarar verebilmektedir. Tornalamada akıllı veriye dayalı tırlama tespit yöntemlerindeki son gelişmelere rağmen, çoğu çalışmada farklı sınıf koşulları için dengeli eğitim veri setleri olduğu varsayılmaktadır. Bununla birlikte, tırlama görülen sinyallerin toplanması genellikle zor ve pahalıdır, bu durum dengesiz eğitim veri setlerine sebep olmaktadır. Bu tez kapsamında gerçek eğitim verilerine ek olarak dengesiz veri setlerindeki veri dengesizliğini gidermek için derin öğrenmeye dayalı bir tırlama tespit yöntemi önerilmektedir. Veri setlerindeki başta tırlama verisi olmak üzere veri eksikliğini gidermek amacı ile tırlama tespiti çalışmalarında ilk kez bir boyutlu koşullu çekişmeli üretken ağlar kullanılmıştır. Tornalama verileri kolayca sisteme entegre edilebilen bir sensör yardımı ile yapılmıştır. Deneyler kapsamında toplanan verilerdeki gürültü etkilerini gidermek için tırlama tespit çalışmaları kapsamında ilk defa CEEMDAN sinyal ayrıştırma algoritması kullanılmıştır. Farklı senaryolar halinde üretilen sentetik verilerin güvenilirliğini araştırılmıştır. Sonuçlar ışında üretilen sentetik verilerin ve CEEMDAN algoritmasının tırlama tespitine olan katkıları ortaya konulmuştur.
Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi
Günümüzde elektronik harp sistemlerinin önemi dramatik olarak artmaktadır. Elektronik Harp sistemlerinin unsurlarından olan elektronik destek sistemleri, elektromanyetik spektrumu pasif olarak kullanmaktadır. Yayılan sinyalleri analiz eden bu sistemler, düşman ve dost unsurların, yönlerini, konumlarını, kimliklerini, birlikler arası haberleşme içeriğini tespit edebilmektedir. Bu sayede, elektronik destek sistemleri istihbarat verilerinin çıkarılmasında büyük rol oynamaktadır. Teknolojinin gelişmesiyle birlikte, radar veya haberleşme sinyallerini analiz eden sistemler kabiliyetlerini genişletmektedir. Elektronik harp ve radar uygulamaları, keşif kabiliyetini artırmanın yanı sıra sinyal polarizasyon bilgilerini kullanarak hedef yön ve konum bulma performansını arttırmaya çalışmaktadır. Bu faktörler, sinyalin polarizasyon bilgisinin bahsedilen mevcut sistemlere dahil edilmesine yol açmıştır. Alıcının veya vericinin bulunduğu platformun konumuna veya yönüne bağlı olarak alıcı-verici arası polarizasyon uyumsuzluğu meydana gelebilmektedir. Hedef sinyallerin yüksek güçte alınabilmesi, başarılı bir yön bulma performansı veya elektronik harp sistemlerine karşı etkili bir karşı önlem alınabilmesi için alıcı ve vericideki polarizasyon uyumsuzluğunun önlenmesi gerekmektedir. Bu yüzden elektronik destek sistemlerinde, yayılan sinyalin polarizasyonunun tespiti, kimliklendirme, yön ve konum bulma sistemlerinde kritik bir rol oynamaktadır. Bu çalışmada, gelen sinyalin polarizasyonunu derin öğrenme yoluyla kestiren bir yaklaşım önerilmiştir. Önerilen yaklaşımda, öncelikle klasik geliş açısı ve polarizasyon kestirimi gerçekleştiren algoritmalar gibi kovaryans matrisi hesaplanmaktadır. Hesaplanan kovaryans matrisinin gerçek, sanal ve faz değerlerinden algoritmanın giriş görüntüleri elde edilmiştir. Evrişimsel sinir ağları sayesinde giriş görüntülerinden öznitelikler çıkarılıp, tam bağlı katmanlar sayesinde polarizasyon kestirimi yapılmaktadır. Çalışmada doğrusal polarizasyon belli çözünürlüklerde ele alınmıştır. İlk sınıf yatay polarizasyon ve son sınıf dikey polarizasyon olmak üzere, doğrusal polarizasyon on farklı sınıfa ayrılmıştır. Gözetimli öğrenme modelini benimseyen ve evrişimsel sinir ağlarını ve tam bağlı katmanları içeren model, klasik algoritmalara göre daha hızlı sonuç vermiştir. Önerilen yaklaşım gerçek-zamanlı sistemlerde kullanılma potansiyelini ortaya koymuştur. Polarizasyon sınıfı kestirme performansı kapsamında, hatalı kestirimlerde dahi komşu sınıfları kestiren algoritma özellikle düşük SNR değerlerinde klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir. Ayrıca tez kapsamında, geliş açısı kestirimi için de hibrit bir algoritma önerilmiştir. Önerilen hibrit algoritma, öncelikle evrişimsel sinir ağı tabanlı bir algoritma ile polarizasyon kestirimi yapmaktadır. Sonrasında geliş açısı kestirimi için klasik Çoklu Sinyal Sınıflandırma (Multiple Signal Classification-MUSIC) algoritması kullanılmaktadır. Evrişimsel sinir ağları ile polarizasyon kestiriminin sonucunda, klasik MUSIC algoritması polarizasyon parametrelerini taramadan doğrudan sadece uzamsal açılarda arama yapacağından, geliş açısını daha hızlı kestirmiştir. Önerilen hibrit algoritma, düşük SNR değerlerinde, polarizasyonu daha başarılı kestirdiğinden, geliş açısı kestirimi kapsamında klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir.
Elektrikli araç hızlı şarj istasyonlarında öncelikli servis için derin pekiştirmeli öğrenme tabanlı kaynak yönetim modeli ve uzun-kısa süreli bellek ile ortalama bekleme süresi tahmini
Günümüzde elektrikli araçlar içten yanmalı motorlu araçların yerini hızla almaktadır. Kıyaslandığında da elektrikli araçların küresel ısınmaya çok daha az etki etme potansiyeli vardır. Ancak bu olumlu etkisine karşın, elektrikli araçların hızlı şarj istasyonlarında 30 dakika olmak üzere uzun şarj dolum süresine ihtiyacı vardır. Hızlı şarj istasyonlarının sayı ve kapasitelerinin sınırlı olmasıyla birlikte uzun şarj süreleri, istasyonlarda araçların kuyruk uzunluğunu ve bekleme süresini artırmaktadır. Araçların belli bir bölümünün bekleme süresini azaltmak için öncelikli servis veren şarj istasyonları oluşturulabilir. Bunun yanında araç kullanıcıları istasyona varış yaptıklarında şarj olmak için bekleyecekleri ortalama süre hakkında öngörü sahibi olmak isteyebilir. Bu çalışmada iki amaç bulunmaktadır. İlk amaç Derin Q-Öğrenme tabanlı öncelikli servis veren bir şarj istasyonu yönetim modeli geliştirilmesi, ikincisi ise araç kullanıcılarına ortalama bekleme süresi bilgisinin Uzun-Kısa Süreli Bellek yöntemi kullanılarak tahmin edilmesi. Literatür incelendiğinde hızlı şarj hizmetini ele alan çeşitli çalışmalar vardır. Fiyatlandırma, talep dengeleme, istasyon konumlandırma ve kapasite belirleme, bekleme sürelerini azaltmak için şarja kabul edilen araç sayısının kısıtlanması gibi konularda çalışmalar bulunmaktadır. Bu çalışmada elektrikli şarj istasyonuna gelen araçlar düşük ve yüksek öncelikli iki araç sınıfına ayrılmaktadır. Ekspres (öncelikli) şarj istasyonu yönetim modelinin amacı, bu araç sınıflarının ortalama bekleme sürelerinin oranının belirli bir seviyede tutmaktır. İstasyon, hedeflediği görece bekleme süresi oranını belirler ve ilan eder ve hedefini tutturmak için boşalan kaynaktan hizmet alacak öncelik sınıfını gerçek zamanda dinamik olarak değiştirir. Bu değişiklik için Derin Q-Öğrenme tabanlı kaynak kontrol mekanizması geliştirilmiştir ve performansı çeşitli şartlar altında test edilmiştir. Ayrıca geliştirilen yöntemin performansı literatürde bu alandaki Fescioglu-Unver ve diğ. (2021) ve Kakillioglu ve diğ. (2022) çalışmalarıyla kıyaslanmıştır. Sonuçlar incelendiğinde geliştirilen yöntemin hedeflenen bekleme oranını gerçekleştirdiği ve istasyona gelecek ani araç yüklenmeleri karşısında hızlı bir şekilde toparlanabildiği gözlenmiştir. Literatürde elektrikli araçlar ve şarj istasyonları alanında ise bekleme süresi tahmini yapan bir çalışmaya rastlanmamıştır. Bu çalışmada, istasyondan gerçek zamanda veri toplanarak takip eden 5 dakika içinde gelecek araçlar için tahmini bekleme süresi ilan edilmektedir. Tahmin için Uzun-Kısa Süreli Bellek (LSTM) yöntemi kullanılmaktadır. Buna ek olarak, LSTM yönteminin tahmin kalitesi yapay sinir ağı yöntemi de çalışmada uygulanarak karşılaştırılmış ve daha iyi performans gösterdiği görülmüştür.
EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Dikkat eksikliği hiperaktivite bozukluğu (DEHB), çocukluk çağında başlayan, yaygın, komorbid bir nörogelişimsel bozukluktur. Teşhis, karar destek sistemi olmadan, profesyoneller tarafından davranış derecelendirme ölçekleri kullanılarak konulmaktadır. Doğru teşhis ve tedavideki gecikmeler, bu hastalık ile birlikte ortaya çıkan diğer psikiyatrik durumların kötüleşmesine ve sonuç olarak sağlık hizmetlerindeki kullanımın artmasına bağlı maliyete neden olur. Bu nedenle, DEHB tanısında kullanılabilecek potansiyel bir karar destek sistemine ihtiyaç vardır. Bu tez çalışmasında DEHB tanısı bulunan ve sağlıklı çocuklara ait EEG sinyallerinden frekans-zaman yapıları ile derin öğrenme yöntemlerinden biri olan evrişimsel sinir ağları (ESA) kullanılarak DEHB teşhisi için yüksek doğrulukla çalışan farklı tahmin modellerinin incelenmesi ile sübjektif testlere bağımlılığı azaltacak, tanı için hızlı ve başarılı bir karar destek algoritması önermek ve açıklanabilir yapay zeka (YZ) yöntemleri ile zaman-frekans alanındaki gizli bilgilerin DEHB tanısında nasıl bir etkiye sahip olduğunu keşfetmek amaçlanmaktadır. Bu amaçla, veriler bir ön işlemeden geçirilerek gürültülerinden arındırılmış ve zaman-frekans bilgisi sağlayan spektrogram görüntüleri oluşturulmuştur. Tez kapsamında ESA mimarileri AlexNet, GoogleNet, ResNet-50, ve SqueezeNet üzerinde transfer öğrenme çalışılmıştır. İlk aşamada ESA mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. En başarılı performans %97.78 ile AlexNet mimarisi ile elde edilmiştir. Kanal ve frekans bantlarına ayrılan sinyaller ile beyin bölgelerinin ve frekansların tanıda ayırt ediciliği incelenmiştir. Alfa frekansı ve parietal bölge kanalları tek başına DEHB tahmininde en başarılı bulunmuştur. Gradyan ağırlıklı sınıf aktivasyon haritalama (Grad-CAM) ile görselleştirilerek açıklanabilir bir model elde edilmiştir. Daha sonra aynı ESA mimarileri ile sadece öznitelikler elde edilmiş ve farklı makine öğrenimi algoritmalarıyla performans analizleri gerçekleştirilmiştir. Manuel öznitelikler elde edilip bir önceki aşama ile karşılaştırılmıştır. Sınıflandırma algoritması olarak Karar Ağaçları, Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (k-NN) ve Ensemble yöntemi kullanılmıştır. En başarılı performans AlexNet mimarisinden elde edilen özniteliklerin DVM algoritması ile sınıflandırılması sonucu elde edilmiştir (%98.33). Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen yöntemin DEHB tanısında iyi bir karar destek sistemi olarak kullanılabileceğini göstermektedir.
Elektroensefelorafi ve elektrokardiyografi sinyalleri kullanılarak epilepsi nöbetlerinin yapay zeka ile tahmin edilmesi
Epilepsi ani gelişen nöbetlerle ortaya çıkan ve dünyada en yaygın görülen nörolojik hastalıkların başında gelmektedir. Epilepsi nöbetlerinin kontrol altına alınabilmesi için klinik olarak tercih edilen 2 yöntem; cerrahi işlemler ve farmakolojik yöntemlerdir. Fakat bu iki yöntem de epilepsi tedavisi için altın standart olarak kabul edilmemiştir. Bunun sebebi ise her hastaya uygulanabilirliklerinin ve başarı oranlarının düşük olmasıdır. Bu sebeple epilepsi nöbet tahmini algoritmalarının geliştirilebilmesi ve nöbet gerçekleşmeden belirli bir süre önce nöbetlerin tahmin edilebilmesi ile erken uyarı mekanizmalarının oluşturulması yaygın bir çalışma konusudur. Bu çalışmada erken epilepsi nöbet tahmini için Siena Scalp EEG veri tabanı kullanılmıştır. Çalışmaların tamamı MATLAB ile tamamlanmıştır. Tez çalışması kapsamında EEG ve EKG biyosinyal tabanlı makine öğrenmesi ve derin öğrenme algoritmaları geliştirilmiştir. Biyosinyallerin öncelikli olarak ön işleme basamakları tamamlanmış ve 30'ar saniyelik pencerelerle epoklanmışlardır. Makine öğrenmesi algoritmalarında EEG bazlı olarak 19 adet öznitelik ve EKG bazlı olarak ise 20 adet öznitelik ilgili biyosinyallerin zaman ve frekans bölgelerinden elde edilmiştir. En başarılı 5'er makine öğrenmesi modeli incelenmiş ve erken epilepsi nöbet tahmini ortalama ve medyan süreleri dakika cinsinden rapor edilmiştir. Epileptik nöbetlerin EEG verisi ile elde edilen makine öğrenmesi modelleri ile en yüksek başarı, %90,3 doğruluk oranı ile Efficient Linear SVM modeli tarafından elde edilmiştir. Bu model aynı zamanda %87 duyarlılık, %92 özgüllük ile epileptik nöbet öncesi dönemleri yüksek isabet oranıyla tespit etmiştir. Nöbetten ortalama 18,5 dakika önce uyarı verebilmesiyle, erken müdahale açısından da oldukça başarılı bir performans göstermiştir. EKG öznitelikleri ile gerçekleştirilen sınıflandırma deneylerinde ise en yüksek performans Lineer SVM modeli ile elde edilmiştir (Doğruluk %85,2, Duyarlılık %81, Özgüllük %88). Ayrıca bu model, nöbetten ortalama 14,8 dakika önce epileptik dönemi tahmin edebilmiştir. Medyan uyarı süresi ise 13 dakika olarak hesaplanmıştır. Derin öğrenme kısmında ise evrişimsel sinir ağları tercih edilmiştir. Bu kapsamda literatürde yaygın kullanılan mimariler ile epileptik nöbet tahmini algoritmaları tamamlanmıştır. Sinyallere ait epok bazlı spektogram görüntüleri 2 boyutlu mimarilere entegre edilmiştir. Bu kapsamda kullanılan mimariler; Resnet-18, MobileNetV2 ve EfficientNet-b0 mimarileridir. Buna ek olarak 1 boyutlu direkt zaman sinyali kapsamında Resnet-1D, MobileNet-1D ve InceptionTime mimarileri kullanılmıştır. Sonuçlar incelendiğinde ise EEG sinyalleriyle eğitilen derin öğrenme modelleri EKG modellerinden daha yüksek başarılı sonuçlar verdiğine ulaşılmıştır. En yüksek doğruluk oranı, %95,4 ile ResNet-18 (2D) mimarisi tarafından EEG spektogramları ile elde edilmiştir. 1 boyutlu zaman serisi mimarileri arasında ise en yüksek doğruluk, %93,8 ile ResNet-1D ile tekrar EEG ile elde edilmiştir. Erken tahmin süreleri incelendiğinde, 2 boyutlu modellerin 10,5 – 9,0 dakika, 1 boyutlu modellerin ise 9,2–8,6 dakika arasında değişen medyan tahmin süresi sağladığı görülmektedir. Bu süreler, epileptik nöbetten önce müdahale şansı tanıyabilecek düzeyde yeterlidir. Derin öğrenme algoritmalarının erken epilepsi tahmin sürelerinin makine öğrenmesine göre daha kısa olmasının sebebinin daha temkinli ve doğru tahmin yapma amacıyla meydana geldiği öngörülmüştür.
Derin öğrenme yöntemleri ile meyvelerin tazelik durumunun belirlenmesi
Bilindiği üzere günümüzde derin öğrenme teknolojisi yüz tanıma, ses tanıma, güvenlik sektörü, savunma sanayi gibi pek çok alanda kullanılmaktadır. Pek çok katmanlardan oluşan derin öğrenme, makine öğrenmesinin bir dalıdır. Derin öğrenme ile modele bir veri kümesi vererek çıktıların tahmin edilmesi sağlanabilir. Günümüzde meyve tazeliği önemli sağlık, çevre ve ekonomik sorunlardan biridir. Bu çalışmada seçilen üç meyve; elma, portakal ve muz üzerinde çalışmalar yapılmıştır. Çalışmada iki tane VGG16 baz alınarak model geliştirilmiş ve iki tane VGG19 baz alınarak model geliştirilmiştir. Bu geliştirilen modeller, elde bulunan üç meyve türünün veri setleri üzerinde test edilerek en iyi sonucu hangisinden alınabileceği saptanmış ve modeller birbiri ile kıyaslanmıştır.
Histopatolojik meme kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Anahtar Kelimeler: Görüntü İşleme, Yapay Zekâ, Derin Öğrenme, Yapay Sinir Ağları, Histopatolojik Görüntüler, Meme Kanseri.
Futbol maçları için taktik tabanlı tahmin sistemi
Spor müsabakaları organizasyonları insanların zaman geçirdikleri önemli faaliyetler arasında yer almaktadır. Spor müsabakaları arasında futbol, dünyadaki en yüksek popülerlik oranına sahiptir. Birçok futbol müsabakası hem bölgesel bazda hem de uluslararası bazda düzenlenmektedir. Futbol maçlarının sonuçları futbol takımı taraftarları için çok önemlidir ve günlük yaşamlarında destekledikleri takımın sonuçlarına göre mutlu ya da üzgün olabilirler. Yapay zekâ ve makine öğrenmesindeki gelişmeler sonucunda birçok alanda yapılan tahminler futbol sonuçlarının tahminini de içermektedir. Ekonomik getirileri de olan futbol bahis sistemi düşünüldüğünde, futbol maç sonuçlarının tahmin edilmesi önem kazanmıştır. Bu çalışma, İtalya-Serie A, İngiltere-Premier Lig ve Alman-Bundesliga liglerindeki sonuçları tahmin etmek için bilindiği kadarı ile literatürde ilk kez sunulan taktik tabanlı bir tahmin yaklaşımı sunmaktadır. Bu yaklaşımda oyuncuların sahadaki pozisyonları ve piyasa değerleri web sayfalarından otomatik olarak alınmakta ve veri madenciliği yöntemlerine açık hale getirilmektedir. Veri madenciliği aşamasında Torbalama, Yinelemeli Sınıflandırıcı İyileştirici ve Derin Öğrenme gibi farklı yöntemler karşılaştırılmakta ve üç yöntemin farklı liglerde benzer sonuçlar verdiği görülmektedir. Veri madenciliği yöntemlerinde yaklaşık %60 doğruluk elde edilmektedir. Her üç lig için makine öğrenmesi yöntemlerinde kullanılan özellikler incelendiğinde takım sıralamasının maç sonuçlarını etkileyen en önemli özellik olduğu görülmüştür. Serie A'da Stoper ve Merkez Orta Saha özellikleri öne çıkarken, Premier Lig'de Sağ Kanat ve Kaleci gibi farklı özelliklerin önemli olduğu görülmüştür. Bundesliga'da Stoper ve Santrafor özelliklerinin maç sonuçlarına daha çok etki ettiği görülmüştür.
Derin öğrenme yöntemleri ile görüntü sahteciliği tespiti
Günümüzde her geçen gün kullanımı artan sosyal medya ve internet sayesinde neredeyse çekilen her fotoğraf internet ortamına yüklenmektedir. Bu sebeple görüntü elde etmek çok daha kolay hale gelmiştir. Görüntülerin kolaylıkla elde edilmesi, gelişen teknolojiler sayesinde görüntü üzerinde değişiklik yapılmasını teşvik edici hale gelmiştir. Görüntüler üzerinde kişinin kendi isteği ile yapmış olduğu değişikliklerin yanı sıra kötü niyetli kişiler tarafından yapılan değişiklikler ise bir takım sorunlara yol açmakta olup istenmeyen durumlar yaratabilmektedir. Yapılan değişiklikler ile kişisel verilerin ihlalinden herhangi bir resmi belge üzerinde sahteciliğe kadar geniş bir alanı etkilemektedir. Sahtecilik yöntemleri farklı şekilde yapılmaktadır. Kopyala-taşı yöntemi, mevcut görüntüdeki bir alanın aynı görüntü üzerinde farklı bir alana kopyalanması ile yapılmaktadır. Görüntü birleştirme, farklı iki görüntünün istenilen alanları birleştirilmesi ile oluşturulmaktadır. Görüntü rötuşlama, görüntü üzerinde istenmeyen bölgelerin etkisi azaltarak ya da istenilen alan üzerinde iyileştirme yapılarak görüntü daha ilgi çekici hale getirilmektedir. Çalışmada bu düşünceden yola çıkılarak görüntüler üzerinde değişiklik olup olmadığının tespit edilmesi eğer değişiklik var ise o alanın işaretlenmesi için derin öğrenme yöntemi kullanılmıştır. Derin öğrenme yöntemleri sayesinde yüksek boyutlu verilerde daha hızlı ve daha yüksek başarı elde edilmiştir. Çalışmada CASIA ve CoMoFoD veri setleri üzerinde uygulama gerçekleştirilmiştir. Veri setleri üzerinde yapılan testler sonucunda ortalama %76,86 oranından doğruluk elde edilmiştir.
Lenf kanseri görüntülerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Lenf kanseri veya diğer bir adıyla lenfoma, vücudun savunma hücrelerinin kanserleşerek kontrolsüz çoğalmasıdır. Lenfoma, kan kanserleri grubunda yer almaktadır ve bu grupta yer alan diğer kanserlere göre görülme sıklığı daha fazladır. Bu hastalıkta erken ve doğru teşhis çok önemlidir. Tehlikeli ve ciddi bir kanser türü olan lenfoma, duruma göre ölümle sonuçlanabilir. Uzmanların erken ve doğru teşhis yapabilmesine yardımcı olmak için uzman destek sistemleri geliştirilmektedir. Sağlık alanındaki uzman destek sistemler, belli bir hastalığa ait verileri makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak sınıflandırılmasını sağlar. Literatürdeki çalışmalar incelendiğinde uzman destek sistemlerinin başarıları görülmektedir. Çalışmada lenf kanserine ait histopatolojik görüntüleri içeren bir veri setiyle çalışıldı. Veri setinde CLL, FL ve MCL türünde lenfomalara ait görüntüler bulunmaktadır. Veri setinde artırım yapmak için 90, 180, 270 ve 360 derecelik açılarda dönme işlemi yapılmıştır. Bu görüntülerdeki özellikleri çıkarmak için ilk yaklaşımda GLCM ve diğer yaklaşımlarda transfer öğrenme metoduyla derin öğrenme mimarileri kullanılmıştır. Özellik seçimi ve boyut azaltımı için PCA kullanılmıştır. Sınıflandırma aşamasında; makine öğrenmesi algoritmalarından RF, KNN, NB, DT ve derin öğrenme mimarilerinden VGG16, ResNet50 ve DenseNet201 kullanılmıştır. Model eğitimleri ikili ve üçlü sınıflar için ayrı ayrı yapılıp sonuçlar incelenmiştir. MCL ve CLL türündeki lenfomaları kendi içerisinde ayırt edilmeleri zordur. Bu yüzden bu lenfomanın sınıflandırma sonuçları diğer sınıflandırma sonuçlarına göre daha düşüktür. FL, diğer iki lenfomayla özellikleri ayırt edilebileceği için FL ile sınıflandırma sonuçları yüksektir. Çalışmada en yüksek başarıyı FL ve CLL'yi %94 doğrulukla sınıflandırarak DenseNet201 göstermiştir.
Evrişimsel sinir ağları kullanarak gömülü sistemlerde para tanıma işlemi
Görüntü işleme sistemleri artık hayatın her alanına girmiş bulunmaktadır. Üretim kontrol aşamalarında kusurlu hatalı ürün tespiti sürekli dikkat ve motivasyon gerektiren durumlarda oldukça güzel başarılar yakalanmıştır. Görüntü işleme işi için açık kaynak yazılımlar, Python ve gömülü sistemler kendilerine önemli yer bulmaktadır. Bu sayede maliyetler düşürülmekte ve iş kalitesi arttırılmaktadır. Ayrıca kullanılan gömülü sistem kartları ile daha düşük seviyede enerji harcaması gerçekleştirilmiş olup yatırım maliyetleri azaltılabilmiştir. Gömülü sistemler ile görüntü işleme kağıt para tanıma amacı ile kullanılabilmektedir. Bu yüksek lisans tez çalışmasında maliyet, enerji tasarrufu ve kullanım kolaylığı gibi durumlar göz önünde bulundurularak Raspberry Pi kullanılmış ve bu sayede Türkiye Cumhuriyeti'nde kullanılmakta olan kağıt paraların Derin öğrenme ve Raspberry Pi ile tanınması sağlanmıştır. Bu tanıma esnasında ışık şiddeti ile olan ilişkide incelenmiş ve bu etkiler deneyler ile gözlenmiştir.
Diyabetik retinopati hastalığının teşhisi için derin öğrenme ile retinal fundus görüntülerinin sınıflandırılması
Bu çalışmada, diyabetik retinopati hastalığının teşhisi ve hastalığın seviyesinin belirlenmesi, bir sınıflandırma problemi olarak ele alınmış ve tahmin edilmeye çalışılmıştır. Bu amaçla, popüler bir veri seti olan APTOS 2019 veri setinin 224x224 filtrelenmiş versiyonu seçilmiş olup, bu veri setinden, çok sınıflı ve az sınıflı olmak üzere toplamda 5 adet yeni veri seti daha oluşturulmuştur. Orijinal veri seti ve yeni oluşturulan yeni veri setlerine, CNN tabanlı mimariler (5 Layer CNN, EfficientNetB0, EfficientNetB1, VGG16, VGG16-TL, VGG19-TL, MobilNet, MobileNet V2, bizim tasarladığımız CNN, GoogleNet, DenseNet121 ve ResNet50) uygulanarak ve farklı veri bölümlendirmeleri seçilerek (80-20 eğitim-test, 3,5 ve 10 kez çapraz doğrulama) geniş çaplı bir modelleme çalışması yapılmıştır. Sonuç olarak, hastalık seviyesinin sınıflandırması için en iyi model, %94.82 test doğruluk başarısı ile MobilNet V2 modeli olarak; hastalık tahmini için de en iyi model, %99.26 test doğruluk başarısı ile DenseNet121 modeli olarak bulunmuştur.
Kızamık vaka sayılarının bilgisayar destekli öngörülmesi için farklı zaman serisi modellerinin performans karşılaştırması
Küreselleşen dünyada seyahat süresinin kısalmasıyla beraber, özellikle temas ve solunum salgısı yoluyla bulaşıcı hastalıkların yayılması kolaylaşmıştır. Solunum yoluyla yayılımı kolay olan kızamık virüsü, günümüzde etkisini sürdüren ölümcül bir hastalıktır. Aşıyla büyük oranda engellenebilirliği kanıtlanmış olmasına rağmen, kızamık virüsü aşılamanın düşük olduğu bölgelerde endemik olarak etkisini sürdürmektedir. Bu bölgelerden göç alan ülkelerde toplum sağlığı olumsuz etkilenmektedir. Kızamık vaka sayısının başarılı bir şekilde bilgisayar destekli öngörülmesi, hastalığın yayılımının önlenebilmesine yardımcı olacaktır. Bilgisayar destekli sistem geliştirilirken kullanılacak modelin belirlenmesi için bu çalışmada, klasik istatistik (ARIMA, HW), makine öğrenmesi (Greykite, Prophet, XGBoost), ve derin öğrenme (LSTM) temelli farklı metodolojilere sahip zaman serisi modellerinin tahmin performansları karşılaştırılmıştır. Modellerin performanslarını genelleştirmek için Benin, Kamerun ve Nijerya ülkelerinin kızamık vaka sayılarını içeren veri setleri kullanılmıştır. Modeller üç farklı veri kümesindeki ilk 147 ay ile eğitilmiş olup sonraki 12 ay tahmin başarısı test edildi. Çalışmada modellerin performansları RMSE, MAPE, MAE ve MSLE metrikleri ile ölçülmüştür. Çalışmada elde edilen bulgular, XGBoost modelinin Benin (8,21 RMSE, 27,48 MAPE, 6,50 MAE, 0,08 MSLE) ve Nijerya (457,39 RMSE, 84,44 MAPE, 289,22 MAE, 0,69 MSLE), LSTM modelinin ise Kamerun (43,65 RMSE, 103,58 MAPE, 36,68 MAE, 0,67 MSLE) kızamık vaka sayısını tahmin etmede diğer yöntemlerden daha başarılı olduğunu göstermiştir. Geliştirilen bilgisayar destekli sistem ile bu ülkeler için ileriki 6 aylık kızamık vaka sayısı öngörülmüştür. Nijerya'da ilk ay vaka sayısının yaklaşık 43 kat artacağı sonraki ayda yaklaşık yarıdan fazla düşüş olacağı sonraki 4 ay sabit kalarak son ay vaka sayısında azalma olması tahmin edilmiştir. Diğer ülkelerde kızamık vaka sayısında ani değişim olmayacağı öngörülmüştür. Yapay zeka modellerinin geleneksel modellere göre daha başarılı olması önemli bir gelişme sunarak gelecek çalışmalarda diğer bulaşıcı hastalıklar için de kullanılabilirliğinin ölçülmesi sağlık alanına katkı sağlayacaktır.