Tez No	İndirme	Tez Künye	Durumu
689814		IoT ayrıtlarında büyük sağlık verilerinin etkin yönetimi için bir akıllı veri ön işleme yaklaşımı / A smart data pre-processing approach for effective management of healthcare big data on IoT edges Yazar:ŞÜKRÜ MUSTAFA KAYA Danışman: PROF. DR. ALİ GÜNEŞ Yer Bilgisi: İstanbul Aydın Üniversitesi / 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 ; Mühendislik Bilimleri = Engineering Sciences Dizin:	Onaylandı Doktora Türkçe 2021 107 s.
Nesnelerin interneti günlük hayatta kullanılan birçok nesnenin çeşitli veriler üretmesini ve bu verileri başka nesnelere veya sistemlere aktarmasını sağlayan bir teknolojidir. Ulaşım, sağlık, askeri, tarım gibi çok çeşitli alanlarda çok farklı projelerde bu teknoloji yer almaktadır. Her geçen gün bu sistemin kullanım alanı artmakta ve bunun altyapısı için kullanılan teknolojiler de çeşitlilik göstermektedir. Fiziksel nesnelerin oldukça önemli bir kısmının ağ bağlantısının bulunmadığı bilinmektedir. Nesnelerin interneti ekosistemi ve makinalar arası iletişim teknolojileri sayesinde nesnelerin ağ üzerinde izlenmesi ve kontrolünün sağlanması amaçlanmaktadır. Sensör teknolojilerindeki gelişmelere bağlı olarak çok küçük ve düşük maliyetli sensörlerin üretimi artmıştır. Sensörler, fiziksel özellikleri ve şartları tespit eden ve ölçen, yeni nesil teknolojiler için olmazsa olmaz cihazlardır. Sıcaklık, basınç, titreşim, ses, ışık, koku gibi birçok sensör kullanılabilmektedir. Bu çalışmada IoT tabanlı sağlık hizmetleri teknolojilerindeki ilerlemeler araştırılmakta ve IoT tabanlı sağlık hizmetlerindeki sorunların çözümleri için ağ mimarileri, platformlar, uygulamalar yeniden incelenmektedir. Ayrıca çalışmada, sağlık hizmetleri alanında kullanılan IoT aygıtlar için veri ön işleme modeli önerilmektedir. Önerilen modelde klasik IoT mimarisinden farklı olarak, algılama ve ağ katmanı arasında veri ön işleme yapılmaktadır. Ön işleme sıcaklık, yaş, cinsiyet, ağırlık, boy ve zaman verilerinden oluşan, IoT ayrıtlarında gerçek zamanlı veri akışı üzerinde anomali tespiti ile yapılmaktadır. Anomali tespiti için Random Cut Forest, Logistic Regression, Naive Bayes ve Neural Network algoritmaları gibi makine öğrenmesi algoritmaları kullanılmıştır. Ayrıca algoritmaların hız ve doğruluk performansları karşılaştırılmıştır. Performans karşılaştırması, doğruluk açısından Random Cut Forest algoritmasına çok yakın olmasına rağmen, Logistic Regression algoritmasının IoT sistemlerinde hız açısından daha başarılı olacağını göstermektedir. Modeli simule etmek için AWS platformundan yararlanılmakta ve son olarak çalışmada, algoritmaların sınıflandırma raporları, doğruluk skorları, veri işleme hızları, performans eğrileri ve karışıklık matrisleri sunulmaktadır.
Internet of Things is a technology that allows many objects in everyday life to produce a variety of data and transfer this data to other objects or systems. In a wide range of fields such as transportation, health, military, agriculture, this technology is involved in very different projects. The use of this system is increasing day by day and the technologies used for this infrastructure are also diversified. The internet of objects ecosystem, and communication between machines technologies through the network is aimed at ensuring the monitoring and control of these objects. Depending on developments in sensor technology, the production of very small and low-cost sensors has been increased. Detectors, determining characteristics and conditions, are essential for next generation technology devices. Many sensors such as temperature, pressure, vibration, sound, light, smell can be used. This study investigates the progress of IoT-based healthcare technology and IoT-based network architecture, platforms, applications are examined again for the solution of problems in the health services. In addition, in the study suggests a data pre-processing model for IoT devices used in healthcare. In the proposed model different from the classical IoT architecture, data pre-processing is performed between the sensing and network layer. Preprocessing is done with anomaly detection on real-time data flow on IoT edges consisting of temperature, age, gender, weight, height and time data. Machine learning algorithms such as Random Cut Forest, Logistic Regression, Naive Bayes and Neural Network algorithms were used for anomaly detection. In addition, the speed and accuracy performances of the algorithms were compared. The performance comparison shows that although it is very close to the Random Cut Forest algorithm in terms of accuracy, the Logistic Regression algorithm will be more successful in terms of speed in IoT systems. AWS platform is used to simulate the model, and finally, classification reports, accuracy scores, data processing rates, performance curves and confusion matrices of algorithms are presented in the study.