BİYOMEDİKAL SİNYALLERİN MAKİNE ÖĞRENMESİ TEKNİKLERİ KULLANILARAK SINIFLANDIRILMASI

Abstract

Canlıların yaşamlarını sürdürmesinde ve yaşam kalitelerini yükseltmesinde hastalıkların erken tanısı çok önemlidir. Günümüzde her alanda başarı sağlayan makine öğrenme ve derin öğrenme algoritmaları bilimsel araştırma çalışmalarının önemli parçası haline gelmiştir. Biyomedikal görüntülerde gözle fark edilemeyen özelliklerin ortaya çıkartılması ve uygun parametreler ile makine öğrenme algoritmalarının performans kriterlerini iyileştirmek önemlidir. Bu tez çalışmasında, makine öğrenme algoritmalarını kullanılarak biomedikal sinyallerin sınıflandırılması ve hastalık teşhisindeki başarımların geliştirilmesi amaçlanmıştır. Bu kapsamda, üç farklı sınıfa ait akciğer röntgen görüntüleri, dört faklı sınıfa ait beyin tomografi görüntüleri ve stetoskoptan alınan on farklı sınıfa ait kalp sesi sinyali veri setleri kullanılmıştır. Bu tez kapsamında yapılan çalışmalarda; ? Üç sınıflı akciğer röntgen görüntülerine derin öğrenme yöntemleri uygulanarak eğitimi yapılmıştır. Performans kriterlerini iyileştirmek amacıyla yinelemeli komşu bileşen analizi (YKBA), yinelemeli ReliefF ve yerel ikili model (YİM) özellik seçim yöntemleri eğitilen veri setine uygulanmıştır. ? Dört sınıflı beyin tomografi görüntü veri setine, veri büyütme ve normalizasyon ön işlemi uygulanmıştır. Ön işleme tabi tutulan veri setine kısıtlı Boltzmann makinesi (KBM) yöntemiyle derin özellik çıkarımı yapılmıştır. Bu derin özellik verileri, Üretici Düşman Ağı (ÜDA) yönteminin üretici birimine girdi verisi olarak verilmiştir. ? Stetoskoptan alınan on sınıfa sahip kalp sesi veri setine uygun ÜDA mimarisi tasarlanmıştır. ReliefF özellik seçim yöntemi bu veri setine uygulanmıştır. Ayrıca ÜDA parametrelerine balina optimizasyon yöntemi uygulanarak uygun parametre seçimi yapılmıştır. Bu deneysel çalışmaların üstünlükleri literatürdeki diğer çalışmalar ile performans kriterleri açısından karşılaştırılmıştır.

Early diagnosis of diseases is very important for the survival of living beings and improving their quality of life. Today, machine learning and deep learning algorithms that provide success in every field have become an important part of scientific research studies. It is important to reveal the features that are not visible to the eye in biomedical images and to improve the performance criteria of machine learning algorithms with appropriate parameters. In this thesis study, it is aimed to classify biomedical signals and improve their success in disease diagnosis by using machine learning algorithms. In this context, three different classes of lung X-ray images, four different classes of brain tomography images and ten different classes of heart sound signal data sets taken from the stethoscope have been used. In the studies carried out within the context of this thesis; ? Deep learning methods are applied to three-class lung X-ray images for training. In order to improve the performance criteria, iterative neighbor component analysis (INCA), iterative ReliefF and local binary model (LBM) feature selection methods are applied to the trained data set. ? Data augmentation and normalization preprocessing are applied to the four-class brain tomography image dataset. Extraction deep feature is performed on the preprocessed dataset using the restricted Boltzmann machine (KBM) method. These deep feature data are given as input data to the generating unit of the generative adversarial network (GAN) method. ? A UDA architecture is designed suitable for the ten-class heart sound dataset taken from the stethoscope. The ReliefF feature selection method is applied to this dataset. In addition, the whale optimization method is applied to the UDA parameters. The superiority of these experimental studies is compared with other studies in the literature in terms of performance criteria.