Fen Bilimleri Enstitüsü / Science Institute
Permanent URI for this collectionhttps://hdl.handle.net/11727/1392
Browse
10 results
Search Results
Item Derin öğrenme ve makine öğrenme teknikleri kullanılarak göz hastalıklarının tespiti(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Arslan, Gözde; Erdaş, Çağatay BerkeGöz hastalıkları insan yaşamını ciddi derecede etkileyen sağlık sorunlarından biridir. Göz hastalıkları arasında bulunan katarakt, diyabetik-retinopati, glokom gibi hastalıklar görme bozukluğuna ve geri dönüşü olmayan göz kusurlarına neden olur. İnsan yaşamında genetik, yaş ve çevresel faktörler göz sağlığını önemli ölçüde etkiler. Hastalık tespitin yapılması ve dolayısıyla hastanın yaşam kalitesinin yükseltilebilmesi için hastalığın doğru bir şekilde tespiti kritik bir rol oynamaktadır. Gelişen teknoloji ile yapay zeka göz kusurlarını ve dolayısıyla ilgili gözde bir hastalık olup olmadığını tespit edebilmektedir. Bu tez çalışması, önemli sağlık sorunlarından göz hastalıklarının derin öğrenme modelleri ve makine öğrenmesi algoritmaları kullanılarak tespit edilmesine yönelik çözümler geliştirmeyi amaçlamaktadır. Bu çalışmada derin öğrenme türlerinden biri olan Konvolüsyonel Sinir Ağları modelleri ve makine öğrenme algoritmaları kullanılmıştır. Hastalık başarısının tahmini ve sınıflandırılmasında geleneksel makine öğrenmesi algoritmalarından Destek Vektörü Makinesi, Naive Bayes Sınıflandırıcısı, K-En Yakın Komşu, Rastgele Orman kullanılmıştır. CNN modelinden DenseNet, EfficientNet, VGG, ResNet ve Xception mimarileri kullanılmıştır. Çoklu sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1074 normal, 1007 glokom, 1098 diyabetik-retinopati, 1038 katarakt verileri olmak üzere toplamda 4217 Retinal Fundus görüntüsü içermektedir. İkili sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1374 normal ve 1374 hastalıklı veriler olmak üzere toplamda 2748 Retinal Fundus görüntüsü içermektedir. Retinal Fundus göz hastalığı sınıflandırması çalışmasında ise hazır CNN mimarileri ve makine öğrenme ile mevcut probleme uyarlanarak deneyler yürütülmüş ve performansları karşılaştırılmıştır. CNN mimarilerinin konvolüsyonel katmalarında otomatik olarak üretilen öznitelikler makine öğrenme sınıflandırıcılarını beslemek için kullanılmıştır. Tespit ve sınıflandırma çalışmalarında elde edilen performanslara göre derin öğrenme mimarilerinin makine öğrenmesi algoritmalarından üstün geldiği gözlemlenmiştir. Eye diseases are one of the health problems that seriously affect human life. Diseases such as cataract, diabetic-retinopathy, glaucoma, which are among the eye diseases, cause visual impairment and irreversible eye defects. Genetic, age and environmental factors significantly affect eye health in human life. Accurate detection of the disease plays a critical role in detecting the disease and thus improving the quality of life of the patient. With the developing technology, artificial intelligence can detect eye defects and therefore whether there is a disease in the related eye. This thesis study aims to develop solutions for the detection of eye diseases, which are important health problems, by using deep learning models and machine learning algorithms. In this study, Convolutional Neural Network models, which is one of the deep learning types, and machine learning algorithms were used. In the prediction and classification of disease success, Support Vector Machine, Naive Bayes Classifier, K-Nearest Neighbor, Random Forest, which are traditional machine learning algorithms, were used. DenseNet, EfficientNet, VGG, ResNet and Xception architectures from the CNN model were used. In the multi-classification problem, the data set used for disease detection includes a total of 4217 Retinal Fundus images, 1074 normal, 1007 glaucoma, 1098 diabetic-retinopathy, 1038 cataract data. In the binary classification problem, the data set used for disease detection includes a total of 2748 Retinal Fundus images, 1374 normal and 1374 diseased data. In the retinal fundus eye disease classification study, experiments were carried out by adapting them to the existing problem with ready-made CNN architectures and machine learning, and their performances were compared. Automatically generated features in convolutional layers of ready-made CNN architectures are used to feed machine learning classifiers. According to the performances obtained in detection and classification studies, it has been observed that deep learning architectures are superior to machine learning algorithms.Item İnsan hareketlerinin kinect sensör kullanılarak sınıflandırılması(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Açış, Büşra; Güney, SeldaSon yıllarda sağlık ve güvenlik gibi birçok alanda insan hareketlerini sınıflandırmaya yönelik çalışmalar yapılmaktadır. Son yıllarda kullanım alanı daha çok gelişen görüntü işleme ve sınıflandırma algoritmaları bu alanda da kullanılmaya başlanmıştır. Bu sınıflandırma algoritmalarının öncül yöntemleri makine öğrenmesi ve derin öğrenmedir. Bu çalışmada, Kinect sensör kullanılarak elde edilen veri seti üzerinde insan hareketlerinin sınıflandırılması yapılmıştır. Kullanılan veri seti içerisinde gerçek zamanlı insan duruş bilgilerinin ve görüntülerinin bulunduğu literatürde hazır halde bulunan CAD60 veri setidir. Bu veri setinde, farklı insanların farklı hareketlerini/duruşlarını içeren veriler bulunmaktadır. Bu çalışma kapsamında, MATLAB uygulaması kullanılarak derin öğrenme tabanlı ve makine öğrenme tabanlı yöntemlerle insan hareketlerini sınıflandırma yapılmıştır. Ham veri seti üzerinde, geriye doğru öznitelik seçme (BFS) ile elde edilen verilerle ve Uzun Kısa Süreli Bellek (Long Short Term Memory – LSTM) ile öznitelik çıkarma ile elde edilen verilere makine öğrenmesi tabanlı metotlar uygulanarak sınıflandırma çalışmaları yapılmıştır. Bunu yanı sıra LSTM, Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) ile sıfırdan öğrenme (learn from scratch) ve öğrenme aktarımı (transfer learning) yöntemi ile insan hareketleri sınıflandırılmıştır. Bu altı yöntemin sonunda elde edilen başarı değerleri birbirleri ile kıyaslanmıştır ve maksimum başarı değeri LSTM ile öznitelik çıkarma yönteminde elde edilmiştir. In recent years, studies have been carried out to classify human movements in many areas such as health and safety. Image processing and classification algorithms, which have been used more in recent years, have started to be used in this field as well. The predecessor methods of these classification algorithms are machine learning and deep learning. In this study, the classification of human movements was made on the data set obtained using the Kinect sensor. It is the CAD60 dataset, which is available in the literature, which contains real-time human posture information and images in the data set used. In this dataset, there are data containing different movements/stances of different people. Within the scope of this study, human movements were classified using deep learning-based and machine learning-based methods using MATLAB application. Classification studies were carried out by applying machine learning-based methods to the data obtained by backward feature selection (BFS) and feature extraction with Long Short Term Memory (LSTM) on the raw data set. In addition, human movements are classified with LSTM, Convolutional Neural Networks (CNN), learn from scratch and transfer learning method. The success values obtained at the end of these six methods were compared with each other and the maximum success value was obtained in the feature extraction method with LSTM.Item Kalite kontrol sistemi için derin öğrenme tabanlı bir model önerisi(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Çelik, YarenAhşap hammaddeler günümüzde birçok endüstride yaygın olarak kullanılmaktadır. Ahşap hammadde üzerinde olan ve gözden kaçan istenmeyen görüntüler elde edilen ürünü görsel ve dayanıklılık açısından negatif etkilemekte, satışını engellemektedir. Bu nedenle bu tür hammaddelerin üretim sürecine girmeden belirlenmesi veya üretim hattına kurulacak bir otomasyon sistemi ile hatalı hammaddelerin belirlenerek üretim dışında bırakılması istenir. Kusurlu hammaddenin elle ve gözle kontrolü zor ve yanıltıcıdır. Sürekli gelişen dijital teknoloji ve sistemler sayesinde bu tür kontroller için otomasyon sistemleri geliştirilmektedir. Son yıllarda araştırmacılar görüntü işleme tabanlı denetim sistemlerini kullanarak kalite kontrol uygulamaları geliştirmektedirler. Bu teknolojiler sayesinde hammadde üzerinde olan kusurlar üretimin erken aşamalarında fark edilerek oluşacak son ürünün kusurlu veya hatalı olması engellenebilir. Böylece işgücü ve malzeme kayıpları nedeniyle oluşacak maliyetler ve harcanan zaman azaltılabilmektedir. Bu çalışmada, üretim hattı üzerinde kurulacak özel bir kamera sistemi ile elde edilen görüntüler üzerindeki kusurları belirleyecek model derin öğrenme yöntemleri ile elde edilmiş ve kusurlu kusursuz ayrımı yapan sistem önerisi geliştirilmiştir. Kusurların tespiti için görüntü işlemede ayrım tabanlı bir yöntem olan Evrişimsel Sinir Ağı (ESA), en uygun yöntemlerden biri olması nedeniyle tercih edilmiştir. Ayrıca ShuffleNet, AlexNet, GoogleNet gibi farklı ESA mimarileri ve parametreleri denenerek probleme en uygun olan mimari belirlenmeye çalışılmıştır. Ahşap ürünlerinde kusurlu ve kusursuz ayrımı yapan kalite kontrol sistemleri için çalışmada dikkate alınan ESA yönteminde, MobileNet, DenseNet ve Inception mimarileri umut verici sonuçlar vermektedir. Ayrıca ESA yöntemi denemelerine görüntü çoğaltma ve görüntü iyileştirme yöntemleri hem ayrı ayrı hem de bir arada eklenerek bu yöntemlerin performans metriklerini nasıl etkilediği incelenmiştir. Yapılan her denemede parametreler değiştirilmiş performans metrikleri üzerindeki etkileri incelenmiştir. Böylece en iyi performansı veren parametre seti ile ESA mimarisine karar verilmiştir. Wood as a raw material is currently used in many industries. Unsightly texture and other defects on the wood make it less visually appealing and impact its durability as a material. Blemishes on the wood reduce its value, and defective material should be identified and removed from production. Since it’s difficult to spot defects through visual or manual inspection, an automated system integrated into the production system is a viable option. With the help of advanced digital technology, automated systems for such controls are being developed. In recent years, researchers have been developing quality control applications using image processing-based inspection systems. By means of these technologies, defects in the raw material can be spotted in the early stages of production. Early identification of defects will prevent the production of faulty end products and will reduce labor and material losses in production. In this study, an integrated system is proposed to identify defective material. The proposed system acquires images of the raw material through a special camera installed on the production line. Digital images will be analyzed by deploying deep learning methods, and defective materials will be set apart. Convolutional Neural Network (CNN), a distinction-based method in image processing for detecting defects, was preferred because of its suitability. In addition, different CNN architectures such as ShuffleNet, AlexNet, GoogleNet, and parameters associated with these architectures were tested to identify the most suitable architecture for this problem. In the CNN method, considered in the study for quality control systems to separate out defective wood products, MobileNet, DenseNet, and Inception architectures gave promising results. In addition, image augmentation and image enhancement methods were added to the CNN method experiments, both separately and together, and their effect on performance metrics was examined. In each trial, parameters were modified, and the impact of parameters on the performance metrics was examined.Consequently, CNN architecture was selected with the parameter set giving the best performance.Item Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Oltu, Burcu; Akşahin, Mehmet FeyziDemans terimi, beyin hücrelerinin ölümü veya hasar görmesi nedeniyle bilişsel ve davranışsal fonksiyonların bozulması ile karakterize edilen nörodejeneretif bozukluğu tanımlar. Demansın en yaygın görülen türü olan Alzheimer Hastalığı (AH) bilişsel, entelektüel eksiklikler ve davranış bozuklukları ile karakterize edilen progresif bir hastalıktır. Hafif bilişsel bozukluk (HBB) ise yaşları için beklenenin ötesinde bilişsel bozukluk gösteren; fakat AH tanı ölçütlerini karşılayacak kadar kuvvetli semptomlar göstermeyen bireyleri tanımlar. Her yıl yaklaşık %10-15 oranında HBB hastası, AH’ye ilerlemektedir. Bu hastalıkların teşhisi; bilişsel testlerin, fiziksel ve nörolojik muayenelerin, nörogörüntüleme yöntemlerinin, kan ve beyin omurilik sıvısı incelemelerinin sonuçlarının yorumlanmasıyla yapılır. Dolayısıyla tanı süreci zaman alan, hedef hasta popülasyonu için zorlukları olan ve subjektif sonuçlar verebilen bir süreçtir. Bunun yanında demansın erken teşhisi hastalara ve yakınlarına bu süreci planlamaları için zaman tanımaktadır. Aynı zamanda bu hastalıkların tedavisi olmasa da erken evrede başlanan tedavi süreçleri, hastalığın ilerlemesini yavaşlatabilir ve semptomların hafiflemesini sağlayabilir. Bu tez çalışmasında da AH ve HBB’nin tanısını sağlamak için, invaziv olmayan, ucuz, objektif sonuçlar verebilen bir yöntem olan elektroensefalografi (EEG) sinyallerinin kullanılabilirliği araştırılmıştır. Yapılan araştırmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’ndeki uzman doktorlar tarafından yapılan teşhis doğrultusunda gerçek hastalardan toplanan EEG sinyalleri incelenmiştir. Çalışmada EEG sinyalleri, ayrık dalgacık dönüşümü (ADD), güç spektral yoğunluğu (GSY), koherans, sürekli dalgacık dönüşümü (SDD) yöntemleri kullanılarak incelenmiştir. Yapılan incelemeler sonucunda farklı yöntemler için farklı öznitelik çıkarımları yapılmıştır. Ayrık dalgacık yöntemi ile yapılan analizlerde sinyaller 6 alt banda (delta (0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gama (32-48 Hz)) ayrıştırılmış. Elde edilen 6 bandın ortalama, maksimum-minimum değerleri, varyansı ve standart sapması öznitelik seti olarak belirlenmiştir. Ayrıca elde edilen alt bantların GSY’sinin genlik toplamı ve varyansı frekans öznitelikleri olarak belirlenmiştir. Bunun yanında interhemisfer kanal çiftleri arasındaki koherans analizi sonucunda elde edilen normalize alt bant koheransları öznitelik olarak çıkartılmıştır. Son olarak sinyale uygulanan SDD sonucunda elde edilen, alt bant frekanslarına ait katsayıların ortalama, standart sapma ve kendi aralarındaki oranları kullanılarak farklı bir öznitelik seti oluşturulmuştur. Elde edilen öznitelik setlerinin AH, HBB ve sağlıklı kontrol EEG sinyallerini ayrıştırma başarısının ölçülmesi için destek vektör makineleri, k-en yakın komşu, karar ağaçları gibi sınıflandırıcı algoritmaları ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonucunda literatürdeki doğruluk oranlarına göre yüksek ya da aynı seviyede sonuçlar verebilen ve başarılı bir şekilde teşhis koyabilen bir karar destek sistemi geliştirilmiştir. The term dementia refers to neurodegenerative disorder characterized by impaired cognitive and behavioral functions due to death or damage of brain cells. Alzheimer's Disease (AD), the most common form of dementia, is a progressive disorder characterized by cognitive, intellectual deficits and behavioral disorders. Mild cognitive impairment (MCI), on the other hand, refers to individuals with cognitive impairment beyond their expectations for age, but not strong enough to meet the diagnostic criteria for AD. Every year, approximately 10-15 percent of MCI patients progress to AD. Diagnosis of these diseases is made by interpreting the results of cognitive tests, physical and neurological examinations, neuroimaging methods, and blood and cerebrospinal fluid examinations. Therefore, the diagnostic process is time-consuming, has difficulties for the target patient population and can yield to subjective results. In addition, early diagnosis of dementia gives patients and their families time to plan this process. At the same time, even there is no treatment for these diseases, treatment processes initiated at an early stage may slow down the progression of the disease and alleviate the symptoms. In this thesis, we’ve investigated the feasibility of electroencephalography (EEG), a noninvasive, inexpensive, objective method for the diagnosis of AD and MCI. In this study, EEG signals collected from real patients were examined in accordance with the diagnosis made by specialists in Neurology Clinic of Baskent University Ankara Hospital. In this study, EEG signals were examined by using discrete wavelet transform (DWT), power spectral density (PSD), coherence, continuous wavelet transform (CWT) methods. As a result of the investigations, different features were extracted for each different method. In the analysis made by DWT, the signals are decomposed into 6 sub bands (delta (0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gamma (32-48 Hz)). Mean, maximum-minimum values, variance and standard deviation of the 6 sub bands were determined as a feature set. Moreover, the amplitude sum and variance of the PSD of the sub bands obtained were determined as frequency features. In addition, the normalized sub band coherences, obtained as a result of the coherence analysis between the interhemispheric channel pairs, were extracted as a feature set. Finally, a different feature set was formed by using the mean, standard deviation and the ratio of the coefficients of the sub-band frequencies obtained from the CWT analysis of the signal. In order to measure the success of discrimination of AD, MCI and healthy control EEG signals, classification studies were performed with classifier algorithms such as support vector machines, k-nearest neighbor and decision trees. As a result of this study, a decision support system was developed that can diagnose successfully and can yield higher or equal results in the means of accuracy of the literature.Item Multipl skleroz (MS) ve sağlıklı elektroensefalografi sinyallerinin sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Karaca, Büşra Kübra; Akşahin, Mehmet FeyziMultipl Skleroz (MS), merkezi sinir sisteminin otoimmün olduğu düşünülen kronik, inflamatuar bir demiyelinizan hastalığıdır. MS’in erken tanısı hastalığın tedavisi ve seyri için büyük önem taşımaktadır. Klinikte MS tanısı için manyetik rezonans görüntüleme (MRG), beyin omurilik sıvısı (BOS) ve uyarılmış potansiyeller kullanılmaktadır. Kullanılan bu yöntemlerin invaziv veya pahalı olması teşhis için zorluk yaratmaktadır. Hastalığın teşhisi için doğru ve etkili bir yol bulmanın önemi zamanla artmıştır. Bu doğrultuda, MS’de görülen demiyelinizasyon ve aksonal hasar sonucunda beynin serebral korteksinin etkilenmesi ve buna bağlı olarak da nöronların aktivitesinin değişmesi nedeniyle elektroensefalografi (EEG) analizinin hastalığın ön tanısına katkı sağlayacak bir yöntem olabileceği düşünülmektedir. Bunun nedeni, EEG’nin binlerce nöronun senkronize aktivitesi tarafından üretilen elektriksel potansiyeli ölçmesidir. Bu bilgilerden yola çıkılarak, bu çalışmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’nde MS tanısı konulan ve sağlıklı bireylerden alınan EEG sinyalleri analiz edilmiş ve bu iki grubu birbirinden ayırabilecek farklılıklar belirlenmiştir. Bu farklılıklar temel alınarak makine öğrenmesi yaklaşımları ile MS ve sağlıklı bireyleri yüksek doğrulukta sınıflandırabilecek bir yöntem geliştirilmesi amaçlanmıştır. Çalışmanın ilk aşamasında göz kapalı dinlenim durumunda alınan EEG sinyalleri için hemisferler arası ve hemisferler içi kanal çiftleri arasında senkronizasyon analizi gerçekleştirilmiştir. Bu doğrultuda, koherans analizi ve karşılıklı bilgi kestirimi yöntemleri uygulanmıştır. Koherans analizi sonucunda, EEG alt bantlarına (delta, teta, alfa, beta ve gama) karşılık gelen frekans aralıklarının normalize koherans spektrum eğrisinin altında kalan alanları ve kanal çiftlerinin karşılık bilgi değerleri öznitelik olarak belirlenmiştir. Çalışmanın ikinci aşamasında ise 5 Hz, 10 Hz, 15 Hz, 20 Hz ve 25 Hz frekanslarında ışıklı uyarım durumunda alınan EEG sinyallerine sürekli dalgacık dönüşümü yöntemi uygulanmıştır. Analiz sonucunda sırasıyla bu frekans uyarımı bölgelerine karşılık gelen dalgacık dönüşümü katsayıları hesaplanmıştır. Her uyarım bölgesindeki “1-4 Hz” ve “4-13 Hz” frekans aralıklarına karşılık gelen mutlak dalgacık katsayılarının toplamları, maksimumları, standart sapmaları ve minimumları öznitelik olarak belirlenmiştir. Göz kapalı ve ışıklı uyarım EEG sinyalleri için belirlenen öznitelikler kullanılarak k en yakın komşu, destek vektör makinesi, karar ağaçları ve topluluk yöntemleri ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonunda, göz kapalı EEG ve ışıklı uyarım EEG sinyalleri için yüksek doğruluk oranında MS ve sağlıklı ayrımı yapabilen bir karar destek sistemi geliştirilmiştir Multiple Sclerosis (MS) is a chronic, inflammatory demyelinating disease of the central nervous system that is thought to be autoimmune. Early diagnosis of MS is of great importance for the treatment and course of the disease. Magnetic resonance imaging (MRI), cerebrospinal fluid (CSF) and evoked potentials are used in the diagnosis of MS. These methods are invasive or expensive, making it difficult to diagnose. In this respect, electroencephalography (EEG) analysis may be a method that will contribute to the pre-diagnosis of the disease due to the effect of cerebral cortex of the brain as a result of demyelination and axonal damage seen in MS. This is because EEG measures the electrical potential generated by the synchronized activity of thousands of neurons. Based on this information, in this study, EEG signals obtained from healthy individuals diagnosed with MS in Neurology Clinic of Başkent University Ankara Hospital were analyzed and the differences that could distinguish these two groups were determined. Based on these differences, it is aimed to develop a method that can classify MS and healthy individuals with high accuracy by machine learning approaches. In the first stage of the study, synchronization analysis was performed between inter-hemispheric and intra-hemispheric channel pairs for EEG signals taken in eyes closed resting position. As a result of the coherence analysis, the areas of the frequency ranges corresponding to the EEG subbands (delta, theta, alpha, beta and gamma) under the normalized coherence spectrum curve and the mutual information values of the channel pairs were determined as features. In the second stage of the study, continuous wavelet transform method was applied to the EEG signals received in the case of photic stimulation at 5 Hz, 10 Hz, 15 Hz, 20 Hz and 25 Hz frequencies. As a result of this analysis, wavelet transform coefficients corresponding to these stimulation regions were calculated respectively. Sums, maximums, standard deviations and minimums of absolute wavelet coefficients corresponding to frequency ranges “1-4 Hz” and “4-13 Hz” in each stimulation regions were determined as features. Using the features determined for the eye closed and photic stimulation EEG signals, classification studies were performed with the nearest neighbor, support vector machine, decision trees and ensemble methods. At the end of the study, a decision support system was developed for eye-closed EEG and photic stimulation EEG signals that can distinguish MS and healthy at high accuracy rate.Item Dünyada ve Türkiye'de benzetim kullanım analizi: Türkiye için bir değerlendirme(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2019) Başar, Ayşe Ceyda; Dengiz, BernaBenzetim modelleme tekniği, sağlık sektörü, askeri sistemler, enerji sistemleri, iletişim, ulaştırma gibi daha birçok sistemin analizinde ve tasarımında yaygın bir şekilde güçlü bir araç olarak kullanılmaktadır. Bilgisayar teknolojilerinde ve benzetim yazılımlarındaki gelişmelere paralel olarak özellikle son yirmi yılda sistemlerin modellemesinde benzetim tekniği önemli bir araç haline gelmiştir. Bu çalışmada benzetim kullanımı farklı alanlar için 1997 – 2007 ve 2008 – 2017 aralıkları ele alınarak ayrı ayrı değerlendirilmiş, dünya ve Türkiye’deki durumun karşılaştırılması amaçlanmıştır. Diğer bir amaç ise benzetim tekniğinden yararlanma bakımından Türkiye’deki 2002 ve 2018 yılları arasındaki değişim ve gelişimin düzenlenen bir anket aracılığı ile ortaya konulmaya çalışılmasıdır. Dünyada ve Türkiye’de akademik yayınlar “Web Of Science” veri tabanı üzerinden bu tezde belirtilen sınıflandırmaya göre incelenerek son 20 yıl için ve 10’ar yıllık dönemler için değerlendirilmiştir. Ayrıca Türkiye için değerlendirme anket yoluyla yapılmıştır. Anketin oluşturulmasında “Google Forms” kullanılmıştır. Anket uygulama evrenini çeşitli üniversitelerde çalışan akademik personel, endüstri mühendisliği öğrencileri ve endüstrideki özel sektör çalışanları oluşturmuştur. Benzetim tekniğinin Türkiye’de akademi ve endüstride bugünkü kullanım düzeyini görmek amacıyla 2002 yılında uygulanan anket yeniden kullanılarak bu alandaki değişim ve gelişim ortaya konmuştur. Tez kapsamında uygulanan anket ve kaynak taraması analiz sonuçları detaylı olarak analiz edilmiş ve elde edilen sonuçlar değerlendirilmiştir. Simulation modelling methods are used as a tool for analyzing and designing systems in various fields such as health, military, energy systems, communication and transportation. Simulation models have became an important tool for system modelling in the last two decades in accordance with new developments in IT fields and simulation softwares. In this study, for the scenario of the simulation consist 1997-2007 and 2008-2017 years. Time periods have been evaluated seperately for each field to analyze the situation in Turkey and the rest of the World under extensive comparison. In order to expose the recent developments of the practical use of the simulation method in Turkey between the years of 2002 and 2018 a survey was implemented for this study. Academic studies in Turkey and the rest of the World in the database of “Web of Science” have been compared in the way of last two decades and 10 year period by analysing with mentioned classification in the thesis. In addition, another evaluation for Turkey was made using the survey. Google Forms has been used to create the survey. The sample participants were chosen among academicians in various universities, industrial engineering students and private sector employees. In order to measure prevelance of simulation method in academy and industry in Turkey with acomperative perspective, a survey dated 2002 was re-implemented.Literature review and analysis results of the past survey with current data have been analysed with details. The results obtained have been evaluated.Item Uyku esnasında çıkan seslerın sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2017) Kılıç, Erkan; Erdamar, AykutUyku esnasında istemsiz olarak horlama, öksürme, hapşırma, ıslık gibi farklı akustik özelliklerde sesler ortaya çıkabilmektedir. Bu sesler, insanın uyku kalitesini doğrudan etkileyebileceği gibi, aynı ortamda bulunan diğer insanların da uyku kalitesini olumsuz yönde etkileyebilmektedir. İnsanın uyku kalitesinin arttırılması amacıyla bu seslerin kaydedilmesi, alınan ses kayıtlarının uzman doktor tarafından değerlendirilmesi ve değerlendirme sonucuna göre uygun tedavi yönteminin belirlenmesi gerekmektedir. Ancak, normal bir uyku süresinin altı ile sekiz saat aralığında olmasından dolayı, uzman doktor tarafından tüm ses kaydının dinlenmesi oldukça uzun ve yorucu bir süreç gerektirmektedir. Bu nedenle, uyku sırasında kaydedilen sesleri otomatik olarak analiz ederek, uzman doktora teşhis koymada yardımcı olacak ve önemli ölçüde zaman kazandıracak bir algoritmaya ihtiyaç duyulduğu belirlenmiştir. Daha önce yapılan literatür taramasında, bu konu üzerinde yapılan çalışma sayısının çok az olduğu ve mevcut çalışmaların büyük çoğunluğunun, ses kayıtları üzerinden sadece horlama sesini algıladığı ancak, uzman doktora teşhis koymada yardımcı olacak algoritmalar içermediği görülmüştür. Bu çalışmada, literatürden farklı olarak, ses kayıtlarının tamamını hızlı ve efektif bir şekilde analiz edecek, uyku esnasında çıkan sesleri otomatik olarak ve yüksek doğrulukta sınıflandırabilecek, doktora tanı koymada yardımcı olabilecek bilgisayar destekli tanı algoritmasının geliştirilmesi amaçlanmıştır. Bu amaç doğrultusunda, ilk olarak uyku ses kayıtları araştırılmış ve internet taraması yapılarak açık erişimli sitelerden farklı tipte ses kayıtları elde edilmiştir. Tüm kayıtlar tek tek dinlenerek gruplandırılmıştır. Çalışmanın ikinci aşamasında, literatürde geçen yöntemler doğrulanmıştır. Bu süreçte, tüm ses kayıtları üzerinde enerji, varyans, sıfır kesme oranı, özilinti fonksiyonu, Fourier dönüşümü yöntemleri uygulanmış ve ses kayıtları hakkında genel bilgi verecek öznitelikler elde edilmiştir. Çalışmanın üçüncü aşamasında, literatürden farklı olarak adaptif bölütleme algoritması geliştirilmiş, ses kaydı her bir bölütte tek çeşit ses olacak şekilde otomatik olarak parçalanmıştır. Her bir parçaya literatürdeki analiz yöntemleri uygulanarak, analiz edilen sese ait akustik öznitelikler elde edilmiştir. Bu yöntemlere ilaveten, tüm parçalara sürekli dalgacık dönüşümü yöntemi uygulanarak zaman, frekans ve genlik düzleminde olmak üzere görsel ve matematiksel öznitelikler çıkarılmıştır. Çalışmanın son aşamasında, sınıflandırıcı olarak destek vektör makineleri kullanılmış ve elde edilen öznitelikler sınıflandırıcı eğitilmiştir. Eğitim için 390 bölüt, test için 449 bölüt kullanılmıştır. Çalışma sonucunda, geliştirilen algoritma, nefes verme, basit horlama, yüksek frekans dubleks horlama, düşük frekans dubleks horlama, tripleks horlama ve öksürmeyi içeren altı farklı parametreyi %96.44 doğruluk oranıyla sınıflandırmıştır. Sounds like snoring, coughing, sneezing, whistling, which have different acoustic properties, can emerge involuntarily during the sleep. These sounds may affect negatively the sleep quality of the other people in the same environment, just as it may affect directly the sleep quality of the person. To increase the sleep quality of the person, these sounds should be recorded and these records should be evaluated by a sleep expert. The appropriate treatment method should be determined according to the evaluation result. However, since the duration of a normal sleep is in the range of six hours to eight hours, it’s a time consuming process for the sleep expert to listening all records. Therefore, it has been determined that a timesaver algorithm which analyzes automatically the sounds recorded during the sleep, is needed to help diagnose of the sleep expert .In the previous literature review, it has been observed that the number of studies on this topic is very few. Majority of existing studies detects only the snoring sounds, but these works do not involve the algorithms which help the sleep expert to diagnose. In this study, differently from the literature, it has been aimed that developing a computer aided diagnosing algorithm which will classify the sounds emerging during the sleep automatically with high accuracy by analyzing the all records in a fast and effective way to help the sleep expert to diagnose. In accordance with this purpose, at the first stage, sleep sounds were researched and different types of sound recordings obtained from open access sites thereby internet browsing. All records have been listened one by one and have been grouped. In the second stage of the study, the methods mentioned in the literature have been validated. Within this period, energy, variance, zero cross rate, autocorrelation function, Fourier transform methods have been applied on the all records and the features which will provide general information about records, have been obtained. In the third stage of the study, an adaptive segmentation algorithm has been developed and records has been segmented automatically as every segment has one kind of sound. The acoustic features belonging to analyzed sound have been obtained by applying analytical methods to each segment. In addition, the visual and mathematical features have been obtained in frequency, time and amplitude domains by applying “Continuous Wavelet Transform” for the every segment. At the last stage, support vector machine used as a classifier and it has been trained with the obtained features. The success of the algorithm has been tested by using different records. 390 and 449 segments were used for training and testing respectively. As a result of the study, developed algorithm has classified six different parameters which are exhalation, simple snoring, high frequency duplex snoring, low frequency duplex snoring, triplex snoring and coughing, with 96.44% accuracy rate.Item Taşınabilir sensörlerden aktivite ve kişi tanıma(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2017) Erdaş, Çağatay Berke; Oğul, Hasanİnsan fiziksel aktivitelerinin ve ilgili aktiviteyi yapan kişinin uzaktan tespiti, çeşitli alanlarda ihtiyaç duyulan önemli bir konudur. Bu amaçla giyilebilir hareket sensörlerinin kullanımı son yıllarda yaygınlaşmıştır. Bu tezde ivmeölçer, jiroskop ve manyetometre vasıtası ile hareket ve kişi tanıma üzerine çalışılmıştır. Sensörlerden elde edilen veriler üzerinden çıkarılan zaman, frekans ve dalgacık uzayı öznitelikleri ile Random Forest, J48, Adaboost ve Desicion Stump ikilisi, Support Vector Machine ve k-NN gibi öğrenme algoritmaları sınıflandırma amaçlı kullanılmıştır. Buna ek olarak, elde edilen sınıflandırma performansını geliştirmek için; filtreleme, öznitelik seçimi, sensör füzyonu gibi yöntemler denenmiştir. Bahsi geçen yöntemler, hem erişime açık veri kümelerinde hem de bu çalışma kapsamında toplanan el aktivitesi verileri üzerinde denenmiş ve sonuçları raporlanmıştır. Remotely detecting an activity and the person who performs this activity is an important issue that is needed in various fields. For this purpose, the usage of wearable motion sensors has been widespread in recent years. In this thesis, motion and person recognition were studied by means of accelerometer, gyroscope and magnetometer. The time, frequency and wavelet features were extracted from the data obtained from the sensors and learning algorithms such as Random Forest, J48, Adaboost and Desicion Stump, Support Vector Machine and k-NN were used for classification purposes. In addition, in order to improve the classification performance obtained; filtering, feature selection, fusion of sensors have been tried. The methods mentioned have been tried on both the open access data sets and hand activity data collected within the scope of this study, and the results have been reported.Item Matematiksel sembollerin tanınmasına yönelik yeni bir algoritma(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2015) Çakar, Ceyhun; Erdem, HamitMatematiksel İfadelerin Tanıma (MİT), matematiksel ifadelerin bilimsel yazındaki yaygınlığı nedeniyle önemli bir gerekliliktir. Standart Yazı Tanımanın (SYT) aksine MİT'de simgeler yatay olarak sıralanmazlar ve yakın büyüklükte olmayabilirler. Sonuç olarak, matematiksel ifadelerin tanınması standart yazıya göre çok daha zor olabilir. Bu nedenle günümüzde MİT üzerine yapılan akademik çalışmalar etkin olarak devam etmektedir. Bu tez çalışması, Simge Ayrıştırma, Simge Tanıma ve Yapısal Çözümleme algoritmalarından oluşan İstatiksel Örüntü Tanıma temelli çevrimdışı bir MİT sistemi önermektedir. Ayrıca, Simge Tanıma aşamasının doğruluğunu ve hızını arttırmak için tezde Yetim-Piksel-Oranı/Yerel- Yetim-Piksel-Oranı (YPO/YYPO) olarak isimlendirilen yeni bir istatistiksel nitelik ailesi önermektedir. YPO/YYPO nitelikleri simgeyi oluşturan siyah piksellerin, beyaz pikselleri ne şekilde çevrelediklerine göre tanımlanırlar. Bu tezde YPO/YYPO nitelikleri kullanılarak oluşturulmuş bir nitelik vektörünün, sistemin yabancı simgeleri tanıma başarısını ve tanıma hızını önemli ölçüde artırabileceği diğer yaygın nitelik vektörleri ile karşılaştırılarak incelenecektir. Bu amaçla, YPO/YYPO nitelik vektörü üç farklı sınıflandırma yöntemi (Kstar, MLP, KNN) ile sınıflandırılıp elde edilen sonuçlar tanıma hızı ve doğruluğu açısından diğer iki yaygın nitelik vektörü (3 x 3 Bitmap, dalgacık) ile karşılaştırılacaktır. Önerilen çevrimdışı MİT sistemi Java tabanlı Weka yazılım paketi kullanılarak gerçekleştirilmiştir. Mathematical Expression Recognition (MER) is an important requirement in science because of the prevalence of the mathematical expressions in the science literature. The symbols are not lined up horizantally and their size may not be similar in MER in contrast with Standart Text Recognition (STR). Thus, recogniton of the mathematical expression can be very difficult in comparison with STR. So, academical studies on MER are goes on effectively today. In this thesis, a software system; which is composed of Symbol Segmentation, Symbol Recognition and Spatial Analysis steps; are proposed. Also, A new statistical feature family called Orphan-Pixel-Rate/Local-Orphan-Pixel-Rate (OPR/LOPR) are introduced. OPR/LOPR features are defined by how black pixels of the binary image encloses its white pixels. In this thesis, it will be shown that a feature vector mainly created by using OPR/LOPR can increase significantly the accuracy of recogniton. For that purpose, OPR/LOPR vector will be compared with two other common feature vectors.(3 x 3 Bitmap, wavelet) according to their results of recognition speed and accuracy after its classification with three different method (Kstar, MLP, KNN). This offline MER sistem have been implemented using Weka software packet based on Java.Item Protein homoloji tespitinde bir üst sınıflandırma yaklaşımı(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2007) Polatkan, Aydın Can; Sever, HayriHesaplamalı biyoloji alanında sınıflandırma problemleri için makine öğrenme teknikleri sıkça ve geniş şekilde kullanılmaktadır. Bu teknikler, girdi olarak sabit uzunluklu nitelik vektörleri istemektedir. Bilindiği üzere proteinler farklı uzunluklara sahip olduklarından dolayı, tüm protein dizilimlerini sabit sayıda nitelik ile göstermek gerekir. Bu amaçla geliştirilen etkili yöntemlerden biri protein dizilimlerinin n-peptit birleşimleridir. Yöntem n uzunluktaki her alt dizginin dizilim içerisindeki görülme yüzdesini ifade eder. Alan karmaşıklığını azaltmak amacıyla, n’nin artan değerleri için, kullanılan aminoasit alfabesi, sonuç vektörün günümüz bellek kaynaklarıyla uyumlu olmasını sağlayacak şekilde düzenli olarak küçültülmüştür. Kullanılan bu çözümde birleşime ait bütün özellik girdileri sadece bir sınıflandırıcıya toplu olarak verilmekteydi. Bu tezde, bu özellik girdileri n-peptit birleşimlere ve küçültülen amino asit alfabelerine göre farklı gruplara ayrılıp, farklı sınıflandırıcılara verilmiştir böylece soyutlanarak daraltılan arama uzayında, gezinen birden fazla tekniğe, bir üst sınıflandırma yaklaşımı denenmiştir. Amaç doğru şekilde yakınsanan ve bizi birbirinden farklı çözüm bölgelerine ulaştıran tekniklere üstsel sınıflandırma yaklaşımı ile daha iyi sonuçlar alabilmektir. Bu yaklaşımda farklı sınıflandırıcıların çıktı değerlerini değerlendirmek üzere ortalama alma, ağırlıklı ortalama alma ve öğrenme kümesinde en başarılı olanı seçme gibi değişik durumlar karşılaştırılmıştır. Her bir yöntem hesaplamalı biyolojinin önemli ve güncel problemlerinden biri olan uzak homoloji tespiti üzerinde test edilmiş ve sonuçlar karşılaştırmalı olarak sunulmuştur. Sonuçlara bakıldığında eğitim kümesinde en başarılı olan sınıflandırıcının sonucunun doğru kabul edildiği durumun diğerlerine göre daha etkili olduğu gözlenmiştir. Sonuçlar arasındaki istatistiksel anlamlılığı dikkatlice incelemek için tüm yöntemler arasında öğrenci T-testleri yapılmış ve testlerin sonuçları yorumlanmıştır. Denenen bütün üst sınıflandırma yaklaşımları yalnız bir sınıflandırıcı kullanılan duruma göre daha etkili bellek kullanımına sahiptir. Destek vektör makineleriyle test edilen bu üst sınıflandırma yaklaşımının sadece uzak homoloji tespitinde değil diğer sınıflandırma problemlerinde de başarılı olacağı düşünülmektedir.