Tez No	İndirme	Tez Künye	Durumu
809152		Derin öğrenme tabanlı biyomedikal karar destek sistemlerinin oluşturulması / Establishment of biomedical decision support systems through deep learning techniques Yazar:HARUN ÇİĞ Danışman: PROF. DR. MEHMET TAHİR GÜLLÜOĞLU Yer Bilgisi: Harran Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Biyoaktif sinyaller = Bioactive signals ; Görüntü işleme-bilgisayarlı = Image processing-computer assisted ; Teşhis-bilgisayar-destekli = Diagnosis-computer-assisted ; Tomografi-x ışınlı-bilgisayarlı = Tomography-x ray-computed ; İnsan bilgisayar etkileşimi dersi = Human-computer interaction course	Onaylandı Doktora Türkçe 2023 114 s.
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.
This thesis provides a comprehensive examination of the effective applications of deep learning models and advanced image processing techniques in biomedical signal and image analysis through two distinctive studies. The section dedicated to biological signals in the thesis focused on the examination of biomedical signals such as EOG, EEG, and EKG. To record the EOG and EEG signal data in a computerized environment, two distinct devices were employed. One of these devices is the 14-channel EMOTIV EPOC+, while the other is the OPENBCI Ganglion biosensing signal recording board. The first study focuses on determining the emotional state while listening to music using electroencephalography (EEG) signals. Here, pre-trained deep learning models such as AlexNet and VGG16 are deployed, revealing their potential in solving the problem of recognizing human emotional states. The highest classification result is achieved at a 73.28% accuracy using VGG16 and Beta frequency band spectrograms. These findings advocate the usage of EEG datasets prepared with music data and existing datasets with different deep network models in the problem of human emotional state recognition. The second study is geared towards the early detection of the COVID-19 disease. The contrast of X-ray images is enhanced with an advanced image enhancement technology, MOCSCLAHE, and this enhanced data is classified with convolutional neural networks. The study results show high accuracy rates of the method in classifying COVID-19, normal, and pneumonia cases. This thesis presents compelling insights into the significant value and applicability of using deep learning models and image processing techniques in various application areas such as emotion recognition over EEG signals and COVID-19 detection through X-ray image analysis.