Tez No	İndirme	Tez Künye	Durumu
787173		Makine öğrenmesi tabanlı gerçek zamanlı medikal nesnelerin interneti çerçevesinin geliştirilmesi / Development of machine learning-based real-time medical internet of things framework Yazar:EMRE YILDIRIM Danışman: DOÇ. DR. ALİ ÇALHAN Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2022 103 s.
Yeni koronavirüs hastalığı (COVID-19), birçok alanda olduğu gibi sağlık sektöründe de Medikal Nesnelerin İnterneti (IoMT), Kablosuz Vücut Alan Ağları (KVAA) ve Bulut bilişim gibi yeni teknolojilere olan ihtiyacı arttırmıştır. Bu teknolojiler ayrıca milyarlarca cihazın internete bağlanmasını, birbirleriyle iletişim kurmasını ve her yerden ve her zaman erişilebilen yeni servisleri kullanmasını mümkün kılmıştır. Bu çalışmada, KVAA'lardan oluşan yeni bir IoMT çerçevesi önerilmiştir. KVAA'lardan gelen sağlık büyük verileri ile Sis (Fog) ve Bulut (Cloud) bilişim teknolojileri kullanılarak analizler gerçekleştirilmiştir. Hızlı ve kolay analizler için Sis bilişim, zaman alan ve karmaşık analizler için ise Bulut bilişim kullanılmıştır. Önerilen IoMT çerçevesi, bir diyabet ve bir kalp hastalığı tahmin senaryosu ile sunulmuştur. Hastalıkların tahmin sürecinde, bulanık mantık karar verme ile Sis bilişim üzerinde tahminler gerçekleştirilmiştir. Bulut bilişimde ise gerçek zamanlı veri akışında Node-Red ve Apache Kafka, gerçek zamanlı veri analizinde Apache Spark ve büyük verileri kolaylıkla depolayabilen MongoDB yapıları kullanılmıştır. Bununla birlikte, Apache Spark makine öğrenmesi kütüphanesi olan MLlib'in içerisindeki Karar Ağacı (KA), Rastgele Orman (RO), Gradyan Artırma (GA), Lojistik Regresyon (LR) ve Destek Vektör Makinesi (DVM) makine öğrenmesi sınıflandırma algoritmaları ile gerçek zamanlı veri analizleri yapılarak tahminler gerçekleştirilmiştir. Ayrıca, kullanılan sınıflandırma algoritmalarının performans karşılaştırmaları yapılmıştır. Sonuçlar incelendiğinde, bulanık mantık kullanılan Sis bilişimde diyabet için %64 doğruluk performansı ve Bulut bilişim de ise KA, RO, GA, LR ve DVM algoritmaları diyabet hastalığı için sırasıyla %78,77, %77,40, %84,93, %80,14 ve %79,45 doğruluk, kalp hastalığı için ise sırasıyla %89,74, %92,31, %94,87, %88,46 ve %93,60 doğruluk ile tahmin performansları sunmuştur. Ayrıca IEEE 802.15.6 standardı ve AODV yönlendirme protokolü kullanılarak oluşturulan KVAA senaryosundaki farklı önceliklere sahip heterojen düğümlerin iş çıkarım ve gecikme sonuçları da analiz edilmiştir. Bununla birlikte, veri analitiğinde kullanılan Apache Spark gerçek zamanlı veri işleme performansı incelenmiştir. Elde edilen tüm sonuçlar, önerilen yaklaşımın yüksek verimliliği ve fizibilitesini kanıtlamıştır.
The novel coronavirus disease (COVID-19) has increased the need for new technologies such as the Internet of Medical Things (IoMT), Wireless Body Area Networks (WBANs) and cloud computing in the healthcare industry as well as in many areas. These technologies have also made it possible for billions of devices to connect to the internet, communicate with each other, and use new services that can be accessed from anywhere and anytime. In this study, a new IoMT framework consisting of WBANs is proposed. Analyzes are carried out using health big data from WBANs and fog and cloud computing technologies. Fog computing is used for fast and easy analysis, and Cloud computing is used for time-consuming and complex analyses. The proposed IoMT framework is presented with a heart disease and a diabetes prediction scenario. In the disease prediction process, predictions are made on Fog computing with fuzzy logic decision making. In cloud computing, Node-Red and Apache Kafka are used in real-time data flow, Apache Spark in real-time data analysis and MongoDB structures that can easily store big data are used. However, the Apache Spark machine learning library MLlib's Decision Tree (DT), Random Forest (RF), Gradient Boosting (GB), Logistic Regression (LR) and Support Vector Machine (SVM) machine learning classification algorithms are combined with real-time classification algorithms. Estimates are made by performing data analysis. In addition, the performance comparisons of the classification algorithms used are done. When the results are examined, it is seen that 64% accuracy performance for diabetes in Fog computing using fuzzy logic and DT, RF, GB, LR and SVM algorithms in cloud computing have accuracy as 78,77%, 77,40%, 84,93%, 80,14%, and 79,45% for diabetes, respectively. In addition to that offers 89,74%, 92,31%, 94,87%, 88,46%, and 93,60% accuracy for heart disease, respectively. In addition, the throughput and delay results of heterogeneous nodes with different priorities in the WBAN scenario created using the IEEE 802.15.6 standard and AODV routing protocol are also analyzed. However, Apache Spark real-time data processing performance, which is used in data analytics, is examined. All the results obtained proved the high efficiency and feasibility of the proposed approach.