Tez No	İndirme	Tez Künye	Durumu
487840		A software library for computerized clinical health decision support system focusing on acoustic respiratory data acquisition and analysis / Solunum ses verilerinin alımı ve analizine dayalı bilgisayarlı klinik sağlık karar destek sistemleri için bir yazılım kütüphanesi Yazar:GÜNEŞ HARMAN Danışman: DOÇ. DR. ATAKAN KURT Yer Bilgisi: İstanbul Üniversitesi / Fen Bilimleri Enstitüsü / Biyoteknoloji Ana Bilim Dalı / Biyoteknoloji Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Biyoteknoloji = Biotechnology Dizin:Akciğer = Lung ; Akciğer hastalıkları = Lung diseases	Onaylandı Doktora İngilizce 2017 114 s.
Bilgisayar ve elektronik alanında ki teknik gelişmeler ses sinyallerinin işlenmesini daha güvenli hale getirmiştir. Bilgisayar tabanlı akciğer seslerinin analizi, hastadan akciğer sesinin elektronik bir cihazla alınması daha sonra alınan bu seslerin sinyal işleme ve sınıflandırma teknikleri kullanılarak sınıflandırılmasından oluşmaktadır. Hekimler tarafından solunum seslerinin dinlemesinde kullanılan yöntemlerden biri olan stetoskobun hekimin duyma kapasitesi, deneyimi ve hastalıkları birbirinden ayıran farklı sesleri ayırmadaki kabiliyetine/deneyimine bağlı olarak dezavantajları vardır. Ayrıca insan kulağı başlangıç durumundaki hastalıkları fark etmekte zorlanmaktadır. Objektif değerlendirme için en güvenilir yol ölçülebilir ve kaydedilebilir olmasıdır. Akciğer ses sinyalleri analizinde esas olarak incelenen nefes alma ve nefes verme solunum döngüsü sağ ve sol akciğer lobu üzerinde bulunan belirli dinleme noktalarından sensor yardımıyla elde edilmiştir. Ayrıca, sağlıklı veya hasta olarak karar verme süreci nefes alma ve nefes verme solum aktivitesine göre yapılmıştır. Öz nitelik çıkarma ve öz nitelik seçme teşhis ve tanı yöntemlerinden biri olan sınıflandırma için en belirleyici özelliklerdir. Çıkarılan öz nitelik işareti tanımlar ve sınıflandırma sonucunu etkiler. Bu çalışmanın amacı, akciğer ses sinyalleri üzerinde nefes alma ve nefes verme solunum döngüsüne bağlı olarak, parametrik (Otoregresif /Özbağlanım Yöntemi, Özbağlanım Hareketli Ortalamalar Yöntemi) ve parametrik olmayan (Hızlı Fourier Dönüşümü tabanlı Welch) öznitelik vektörleri ile farklı sınıflandırma algoritmaları (Yapay Sinir Ağları, Destek Vektör Makineleri ve K-En Yakın Komşuluk) uygulanarak hastalık veya sağlık durumu hakkında karar verilmesi üzerinedir.
Advanced technological developments in computer and electronic environments have made it possible to reliable sound signal processing. The computer-based lung sound analysis involves recording the patient's lung sounds via an electronic device, followed by lung sound signals analysis with signal processing techniques and classification of lung sounds based on specific signal characteristics. The stethoscope has commonly used the device to listen to respiration sounds. Although its widespread usage it has some disadvantages, depending on hearing sensitivity of doctor, and his/her experience about distinguishing sounds of different diseases. In addition to these, human ear may not recognize some sounds that belong to an early stage of illness. The most reliable method is measurability and recording ability for objective assessment. Analysis of the lung sound signals mainly investigated part of inhalation and exhalation respiratory phases are obtained from left and right side of the lung in special auscultation points by the help of the sensor. Additionally, decision-making process like healthy or pathological performed based on respiratory activities of inhalation and exhalation separately for each phase. Feature extraction and feature selection is the most important parameter for classification in decision-making stage. Feature extraction is the very important step to improve correct classification. Signals, which are obtained from extraction phase define signal and affect classification results. The aim of this study is that, to test different feature extraction methods lung sound signals inhalation and exhalation phases separately and observe the performance of these methods and the phase by gathered results from classification. FFT-Welch AR, ARMA, feature extraction methods. Furthermore, Artificial Neural Network (ANN), Support Vector Machine (SVM) and K- Nearest Neighbors (K-NN) are used for classification.