Master Degree / Yüksek Lisans Tezleri

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

Browse

Filters

2023 - 20242

Settings

Author: search.filters.author.Gümüş, AbdurrahmanSubject: search.filters.subject.Deep learning

Search Results

Now showing 1 - 2 of 2
  • Master Thesis
    Deep Learning-Based Analysis of Electrochemical, Biomedical, and Optical Signals
    (01. Izmir Institute of Technology, 2024) Gümüş, Abdurrahman; Yeke, Muhammet Çağrı; Gümüş, Abdurrahman; Odacı, Dilek
    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.
  • Master Thesis
    Deep Learning Based Real-Time Sequential Facial Expression Analysisusing Geometric Features
    (01. Izmir Institute of Technology, 2023) Köksal, Talha Enes; Gümüş, Abdurrahman
    In this thesis, macro and micro facial expression sequences from various datasets are trained using neural networks to classify them in one of the basic emotions. In macro expression experiments, for each frame of the sequences facial landmarks are extracted using MediaPipe FaceMesh solution and geometric features using both spatial and temporal information based on these landmarks are created. To classify the features, ConvLSTM2D followed by multilayer perceptron blocks are used. In order to achieve real time classification performance, all algorithms are implemented compatible to run on GPU. The proposed method for macro expressions is tested with CK+, Oulu-CASIA VIS, Oulu-CASIA NIR and MMI datasets. In micro expression experiments, apart from geometric features also blendshape features provided by MediaPipe are used. In order to improve classification performance, Phase-Based Video Motion Processing technique is used to magnify subtle facial movements of micro expressions. Experiments are conducted separately on same classification layers that consist of ConvLSTM1D followed by multilayer perceptron blocks. The proposed method for micro expressions is tested with SAMM and CASME II datasets. The datasets utilized in this study were accessed upon signing corresponding license agreements. Each dataset is specifically designated for academic purposes and is made available under these agreements. Only data from subjects who provided consent for their information to be used in publications was included in the thesis. The license agreements for each dataset can be found in the appendices section.