Biyomedikal sinyallerin makine öğrenmesi teknikleri kullanılarak sınıflandırılması

Canlıların yaşamlarını sürdürmesinde ve yaşam kalitelerini yükseltmesinde hastalıkların erken tanısı çok önemlidir. Günümüzde her alanda başarı sağlayan makine öğrenme ve derin öğrenme algoritmaları bilimsel araştırma çalışmalarının önemli parçası haline gelmiştir. Biyomedikal görüntülerde gözle fark edilemeyen özelliklerin ortaya çıkartılması ve uygun parametreler ile makine öğrenme algoritmalarının performans kriterlerini iyileştirmek önemlidir. Bu tez çalışmasında, makine öğrenme algoritmalarını kullanılarak biomedikal sinyallerin sınıflandırılması ve hastalık teşhisindeki başarımların geliştirilmesi amaçlanmıştır. Bu kapsamda, üç farklı sınıfa ait akciğer röntgen görüntüleri, dört faklı sınıfa ait beyin tomografi görüntüleri ve stetoskoptan alınan on farklı sınıfa ait kalp sesi sinyali veri setleri kullanılmıştır. Bu tez kapsamında yapılan çalışmalarda;  Üç sınıflı akciğer röntgen görüntülerine derin öğrenme yöntemleri uygulanarak eğitimi yapılmıştır. Performans kriterlerini iyileştirmek amacıyla yinelemeli komşu bileşen analizi (YKBA), yinelemeli ReliefF ve yerel ikili model (YİM) özellik seçim yöntemleri eğitilen veri setine uygulanmıştır.  Dört sınıflı beyin tomografi görüntü veri setine, veri büyütme ve normalizasyon ön işlemi uygulanmıştır. Ön işleme tabi tutulan veri setine kısıtlı Boltzmann makinesi (KBM) yöntemiyle derin özellik çıkarımı yapılmıştır. Bu derin özellik verileri, Üretici Düşman Ağı (ÜDA) yönteminin üretici birimine girdi verisi olarak verilmiştir.  Stetoskoptan alınan on sınıfa sahip kalp sesi veri setine uygun ÜDA mimarisi tasarlanmıştır. ReliefF özellik seçim yöntemi bu veri setine uygulanmıştır. Ayrıca ÜDA parametrelerine balina optimizasyon yöntemi uygulanarak uygun parametre seçimi yapılmıştır. Bu deneysel çalışmaların üstünlükleri literatürdeki diğer çalışmalar ile performans kriterleri açısından karşılaştırılmıştır.