Derin öğrenme tabanlı biyomedikal karar destek sistemlerinin oluşturulması

Bu tez, derin öğrenme ve gelişmiş görüntü işleme tekniklerinin biyomedikal sinyal ve görüntü analizindeki etkin uygulamalarını farklı çalışmalar üzerinde detaylı bir şekilde incelemektedir. Tezin biyolojik sinyaller ile ilgili bölümünde EOG, EEG ve EKG gibi biyomedikal sinyaller incelenmiştir. EOG ve EEG sinyal verilerinin bilgisayar ortamına kaydedilmesi için iki farklı cihaz kullanılmıştır. Bu iki cihazdan biri 14 kanallı EMOTIV EPOC+ diğeri ise OPENBCI Ganglion biyosensing sinyal kayıt kartıdır. İlk çalışma, müzik dinlerken duygusal durumun belirlenmesi için EEG sinyallerinin kullanılması konusuna odaklanmaktadır. İlgili çalışmada, AlexNet ve VGG16 gibi önceden eğitilmiş derin öğrenme modelleri kullanılmış ve bu modellerin, insan duygusal durumlarının tanınması problemini çözmedeki potansiyelini gözler önüne sermiştir. En iyi sınıflandırma sonucu %73.28 doğrulukla VGG16 kullanılarak ve Beta frekans bandı spektrogramları üzerinde elde edilmiştir. Bu bulgular, müzik verisi ile hazırlanan EEG veri setlerinin ve mevcut veri setlerinin, insan duygusal durumlarının tanınması probleminde farklı derin ağ modelleri ile kullanılmasını teşvik etmektedir. İkinci çalışma, COVID-19 hastalığının erken tespitine yöneliktir. Gelişmiş bir görüntü iyileştirme teknolojisi olan ÇAGKAA-KSAHE ile X-ışını görüntülerinin kontrastı artırılmış ve bu geliştirilmiş veri, Konvolüsyonel sinir ağları ile sınıflandırılmıştır. Çalışma sonuçları, sunulan yöntemin COVID19, normal ve pnömoni durumlarını sınıflandırmada yüksek doğruluk oranlarına sahip olduğunu göstermektedir. Bu tez, EEG sinyalleri üzerinden duygu tanıma ve X-ışını görüntü analizi yoluyla COVID-19 tespiti gibi çeşitli uygulama alanlarında derin öğrenme ve görüntü işleme tekniklerinin kullanımının önemli değeri ve uygulanabilirliği hakkında dikkat çekici bilgiler sunmaktadır.