Master Degree / Yüksek Lisans Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/11147/3008

Browse

Filters

20241

Settings

Department: search.filters.department.Thesis (Master)--İzmir Institute of Technology, BioengineeringSubject: search.filters.subject.Fiber optics

Search Results

Now showing 1 - 1 of 1
  • Master Thesis
    Deep Learning-Based Analysis of Electrochemical, Biomedical, and Optical Signals
    (01. Izmir Institute of Technology, 2024) Gümüş, Abdurrahman; Gümüş, Abdurrahman; Gümüş, Abdurrahman; Odacı, Dilek; 03.05. Department of Electrical and Electronics Engineering; 03. Faculty of Engineering; 01. Izmir Institute of Technology
    Bu tez, derin öğrenme (DÖ) tekniklerinin çeşitli alanlardaki uygulamalarını inceleyerek, karmaşık verilerin tespiti, sınıflandırılması ve analizi konularında önemli iyileştirmeler sağlamaktadır. Çalışma, DÖ modellerini farklı analitik yöntemlerle entegre ederek performansı artırmayı amaçlamaktadır. Elektrokimyasal analiz alanında, CD36'nın tespiti ve sınıflandırılması için bir immünobiyosensör kullanılarak DÖ tabanlı bir yaklaşım geliştirilmiştir. Geleneksel teknikler, özellikle düşük analit konsantrasyonlarında duyarlılık ve hızlı analizde yetersiz kalmaktadır. Tek boyutlu evrişimli sinir ağı (1B-ESA) ve hibrit 1B-ESA – uzun kısa süreli bellek (UKSB) ağları gibi DÖ modellerinin entegrasyonu, biyosensörün duyarlılığını ve özgüllüğünü önemli ölçüde artırmıştır. Biyomedikal uygulamalarda, yüzey elektromiyografi (yEMG) sinyalleri kullanılarak el hareketlerinin sınıflandırılması için Vision Transformer (ViT) teknikleri kullanılmıştır. sEMG verileri, ileri zaman-frekans analizi (TFA) yöntemleri ve çeşitli ViT modelleri ile analiz edilerek yüksek doğruluk elde edilmiştir. Optik algılama alanında, Faza Duyarlı - Zaman Bölgesinde Optik Geriyansımalı Ölçüm Tekniği (Faz-OTDR) verilerinin analizi için DÖ teknikleri kullanılmıştır. DÖ yöntemlerinin Faz-OTDR tabanlı akım algılama sistemlerinin verimliliğini artırdığı gösterilmiştir. 1B-ESA, 1B-ESA – UKSB ve 1B-ESA – Çift yönlü UKSB modelleri kullanılarak, akım değerlerinin doğru bir şekilde sınıflandırılması sağlanmıştır. Ayrıca, optik sinyalleri görüntüye çevirme metodu uygulanarak, aktarımlı öğrenme modelleri ile yüksek sınıflandırma doğruluğu elde edilmiş ve veri depolama daha verimli hale getirilmiştir. Bu tez, DÖ tekniklerinin çeşitli analitik yöntemlerle entegrasyonunun önemli ilerlemeler sağlama potansiyelini göstermektedir. Çalışmalar, DÖ'nün veri analizi performansını artırmadaki çok yönlülüğünü, daha doğru, hassas ve verimli çözümler sunarak ortaya koymaktadır. Geliştirilen metodolojiler, diğer biyomarkerlar, sinyal türleri ve analitik zorluklara genişletilebilir.