Tez No	İndirme	Tez Künye	Durumu
636591		Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi / DCT based analysis of 1D and 2D biomedical signal Yazar:FATMA DEMİREZEN YAĞMUR Danışman: PROF. DR. AHMET SERTBAŞ Yer Bilgisi: İstanbul Üniversitesi-Cerrahpaşa / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:EEG = ; Epilepsi = Epilepsy	Onaylandı Doktora Türkçe 2020 198 s.
Bu çalışmada, AKD (Ayrık Kosinüs Dönüşümü-DCT) özellik çıkarım yöntemine dayanan 1 boyutlu (1B) ve 2 boyutlu (2B) biyomedikal işaret analizleri yapılarak yüksek doğruluklu epilepsi hastalığı teşhisi gerçeklenmiştir. Epilepsi hastalığı teşhisi amacıyla 1 boyutlu işaret analizi için EEG (Elektroensefalografi) verileri, 2 boyutlu işaret analizi için MRG (Magnetik Resonans Görüntüleme-MRI) verileri kullanılmıştır. 1 boyutlu EEG verilerine AKD ve ortalama, varyans, standart sapma, basıklık, çarpıklık gibi istatistiksel yöntemleri uygulanarak; 2 boyutlu MRG verilerine ise AKD ve ortalama istatistiksel yöntemi uygulanarak özellik vektörleri çıkarılmıştır. Elde edilen öznitelik vektörlerine TBA (Temel Bileşen Analizi-PCA), DAA (Doğrusal Ayırım Analizi-LDA), İleriye Doğru Seçim ve Geriye Doğru Seçim yöntemleri uygulanarak en etkin özellikler seçilmiştir. EEG, MRG ve EEG-MRG birleşik özellikleri kullanılarak Sağlıklı / Epilepsi şeklinde 2 kümeli sınıflandırma yapılmıştır. Tezde AKD özellik çıkarımı ile ADD (Ayrık Dalgacık Dönüşümü) karşılaştırılmış; 1B ve 2B biyomedikal işaretleri YSA, SVM, KNN ve RF makine öğrenme yöntemleri ile sınıflandırılmıştır. Ayrıca derin öğrenme ağında, LSTM ve CNN mimarilerinde veriler analiz edilmiştir. Tezimizde, EEG-MRG birleşik özelliklerinin epilepsi hastalığının teşhisinde çok etkin bir şekilde kullanılabileceği tespit edilmiştir.
In this study, 1-dimensional (1D) and 2-dimensional (2D) biomedical signal analysis based on the Discrete Cosine Transform (DCT) feature extraction method was performed to diagnose high-accuracy epilepsy disease. For the diagnosis of epilepsy, Electroencephalogram (EEG) data were used for 1-dimensional (1D) signal analysis and Magnetic Resonance Imaging (MRI) data were used for 2-dimensional (2D) signal analysis. In addition to DCT, statistical methods such as mean, variance, standard deviation, kurtosis, skewness were applied to 1-dimensional EEG data; on the other hand, feature vectors were obtained by applying DCT and mean statistical method to 2D MRI data. The most useful features were selected by applying PCA, LDA, Forward Selection and Backward Selection methods to the obtained feature vectors. EEG, MRI and EEG-MRI combined features of Healthy, and Epilepsy classification was made as a two-cluster. In the thesis, DCT feature extraction and DWT (Discrete Wavelet Transform) were compared. 1D and 2D biomedical signals are classified by ANN, SVM, KNN and RF machine learning methods. In addition, our data were analyzed in LSTM and CNN architectures in the deep learning network. In the dissertation, it has been established that the combined features of EEG-MRI can be used very effectively in the diagnosis of epilepsy.