Electrical - Electronic Engineering / Elektrik - Elektronik Mühendisliği
Permanent URI for this collectionhttps://hdl.handle.net/11147/11
Browse
33 results
Search Results
Conference Object Citation - Scopus: 2Parkinson hastalığı sınıflandırmasına yönelik ivmeölçer tabanlı zamanlama analizi(IEEE, 2023) Karaçalı, Bilge; Onay, FatihParkinson's disease is a neurodegenerative disorder caused by dopamine deficiency in the basal ganglia, resulting in cognitive and motor impairments. In this study, accelerometer signals were used to estimate the delay time between the command to start pedaling and the actual movement onset in three groups: healthy individuals (n=13), Parkinson's disease patients (n=13), and patients with freezing of gait symptoms (n=13). Features were extracted from the delay time distributions for each participant and subjected to a triple classification. Linear support vector machine achieved a classification accuracy of 69.2% for all participants. Notably, the average time to start pedaling was found to be significantly different among the three groups, and accelerometer-based timing analysis could be used as a diagnostic tool to assist clinical tests.Conference Object Algıda gecikme ve kısa-ömürlü senkronizasyon temelli yeni bir hayali motor aktivite tanıma yaklaşımı(IEEE, 2023) Olcay, B. Orkan; Karaçalı, BilgeThis study proposes a novel approach for investigating a brain-computer interface that considers the temporal organization of brain activity, explicitly accounting for perception latency. To this end, we aligned the onset of task periods with the concurrence of left parietal and parieto-occipital electrodes to obtain the timings of perception latencies. Then, activity-specific synchronization timings between channel pairs were calculated using the time-aligned task periods. The perception latency and activity-specific synchronization timings were subsequently used for feature extraction and classification. The proposed approach achieved significantly better performance when comparing the proposed approach with the method that did not account for the perception latencyArticle Citation - WoS: 6Citation - Scopus: 7Time-Resolved Eeg Signal Analysis for Motor Imagery Activity Recognition(Elsevier, 2023) Olcay, Bilal Orkan; Karaçalı, BilgeAccurately characterizing brain activity requires detailed feature analysis in the temporal, spatial, and spectral domains. While previous research has proposed various spatial and spectral feature extraction methods to distinguish between different cognitive tasks, temporal feature analysis for each separate brain region and frequency band has been largely overlooked. This study introduces two novel approaches for recognizing cognitive activity: temporal entropic profiling and time-aligned common spatio-spectral patterns analysis. These approaches capture and use discriminative short-lived signal segments for motor imagery activity recognition. In Approach-1, we evaluated nine different measures to determine timing parameters that showed altered behavior associated with maximal inter-activity differences, which we then used in a machine-learning framework. In Approach-2, we used the best-performing signal characteristic measures from Approach-1 to determine the optimum latency of each channel at each frequency band for a CSP-based activity recognition strategy. We evaluated both approaches on two online available motor imagery EEG datasets and achieved average recognition accuracy levels of 86%. We compared our methods with four established BCI methods. The performance results show that our approaches exceeded the benchmark methods' performances, with notable improvements in the proposed time-aligned common spatio-spectral patterns approach. This study demonstrates that motor imagery recognition performance is improved when a temporal analysis is adopted alongside spatio-spectral neural feature analysis and that timing parameters associated with the maximal entropic difference of EEG segments to the cognitive tasks varied between different brain regions and subjects. © 2023 Elsevier LtdResearch Project Farklı kontraslı medikal görüntülerin bilgi teorisi kaynaklı nokta benzerliği ölçütleriyle elastik olarak hizalanması(2011) Karaçalı, BilgeMedikal görüntülerin elastik olarak hizalanması, şizofreni, Alzheimer hastalığı gibi birçok nörolojik bozukluğun daha iyi anlaşılmasına olanak veren işlemsel anatomi yöntemlerinin temelini oluşturmaktadır. Hizalanmak istenen görüntülerdeki benzer parlaklık gösteren ortak yapıları arayıp örtüştürme esasına dayanan bu yöntemler, görüntüler arasında kontrast farklılıkları olduğu durumlarda ise istenen başarıyı sağlayamamaktadırlar. Bu projede, farklı kontrast özelliklerine sahip medikal görüntüleri bilgisayar ortamında elastik olarak hizalayan bir algoritma geliştirilmiştir. Bu amaç dahilinde öncelikle görüntüler arasında eşlenik noktaları ve bu noktalardaki eşlenik yönelimleri belirleyen ve daha sonra bu noktalara dayanarak yoğun deformasyon alanları oluşturan iki ana işlem modülü türetilmiştir. Bu modüller daha sonra çok katmanlı bir platform üzerinde çalışan döngülü bir yapıda birleştirilmiştir. Bu şekilde türetilen algoritma, sağladığı hizalama başarısı açısından sınanmıştır. Farklı kontrastlı görüntülerin hizalanması, işlemsel anatomi yöntemlerinin, ideal ve birbiri ile uyumlu kontrast özelliklerinin aranamayacağı geniş kapsamlı çalışmalarda uygulanmasına olanak sağlamıştır. Bu projede geliştirilmiş olan bu algoritma, ileride geniş katılımcı grupları ile yürütülecek beyin araştırmalarında, özellikle kontrast farklılıklarının olağan olarak gözlendiği multipl skleroz gibi nörodejeneratif bozuklukların konu alındığı çalışmalarda taranan görüntülerin değerlendirilmesinde işlemsel yapı taşı olarak işlev görecektir. Bu sayede hem bölgesel koşullarda bu hastalıkların gelişimi ve tanısal özellikleri çok daha detaylı bir biçimde incelenebilecek, hem de benzer çalışmalara destek verecek işlemsel bir merkez oluşturulmasına katkı sağlanmış olacaktır.Research Project Hayali ve gerçek motor fonksiyonlarda beyin bölgeleri arasındaki uyumlu davranışı veri odaklı çözümleyen yeni bir beyin-bilgisayar arayüzü yaklaşımı(2020) Karaçalı, Bilge; Özgören, MuratBeyin-bilgisayar arayüzü sistemleri beyinin işleyişiyle beraber ortaya çıkan fizyolojik yanıtlara dayanarak kullanıcılara, içinde bulundukları ortam üzerinde işlevsel kontrol sağlamaya çalışır. Beyinin işleyişini bu amaçla takip etmek için sıklıkla kullanılan teknolojilerden biri elektroensefalografidir (EEG). Ancak EEG verilerinden gerekli çıkarımları yapmak, aranan sinyalin düşük şiddeti, arka plandaki işlevlerin bu sinyali gizlemesi ve kaydedilen veride yakındaki bölgelerden kaynaklanan birçok sinyalin olması gibi sorunlardan ötürü zordur. Bu sebeplerle şimdiye kadar sadece kullanıcıya dikkatteki seçicilik ve sinirsel geri bildirim le birtakım belirli beyin sinyallerini kontrol etmeyi öğreten beyin-bilgisayar arayüzü uygulamaları sınırlı bir başarı gösterebilmiştir. Yapılmak istenen hareketi kullanıcının zihninde canlandırmasından tanımayı amaçlayan beyin bilgisayar arayüzü çalışmaları, yüksek bilgi aktarım hızı için kabul gören bir potansiyele rağmen umulan başarı düzeyinden uzaktır. Bu projede, gerçek ve hayali motor fonksiyonları tanımak için beyin bölgeleri arasındaki uyum yapısına dayalı yeni bir beyin-bilgisayar arayüzü yaklaşımı geliştirilmiştir. Farklı beyin bölgeleri arasındaki uyum yapısını çok kanallı EEG verisinden elde etmek için EEG sinyalleri üzerinde hiçbir istatistiksel veya dinamik model içermeyen yeni uyum ölçütleri kullanılmıştır. Farklı motor fonksiyonlar sırasında uyum düzeylerinde istatistiksel olarak anlamlı farklılıklar gösteren EEG kanal çiftleri tespit edilmiş ve prototip beyin-bilgisayar arayüzü uygulamaları için gerçek ve hayali motor fonksiyon tanıma sistemlerinde değerlendirilmiştir. Bu projenin bulguları ve geliştirilmiş olan gerçek ve hayali motor fonksiyon tanıma yöntemleri, gerçek ve özellikle hayali motor fonksiyonları EEG kanalları arasındaki uyum profillerine bakarak birbirinden ayırt edebilen yüksek bilgi aktarım hızına sahip yeni nesil beyin-bilgisayar arayüzü yaklaşımlarına temel teşkil edecektir. Bu da beyin-bilgisayar arayüzü uygulamaları için motor fonksiyonlar sırasında ortaya çıkan beyindeki bağlanırlık yapılarının ışığında yeni eğitim paradigmalarının geliştirilmesine öncülük edecek ve nörolojik rehabilitasyon ile tamamen içe-kilitli hastalarla iletişimden nöral protezlerin kontolü ve bilgisayar kullanım deneyiminin yükseltilmesine kadar sivil ve askeri çok çeşitli uygulama alanlarında gerçekleştirilecek dramatik atılımların yolunu açabilecektir.Article Citation - WoS: 3Citation - Scopus: 4Quasi-Supervised Strategies for Compound-Protein Interaction Prediction [article](Wiley-VCH Verlag, 2021) Çakı, Onur; Karaçalı, BilgeIn-silico compound-protein interaction prediction addresses prioritization of drug candidates for experimental biochemical validation because the wet-lab experiments are time-consuming, laborious and costly. Most machine learning methods proposed to that end approach this problem with supervised learning strategies in which known interactions are labeled as positive and the rest are labeled as negative. However, treating all unknown interactions as negative instances may lead to inaccuracies in real practice since some of the unknown interactions are bound to be positive interactions waiting to be identified as such. In this study, we propose to address this problem using the Quasi-Supervised Learning (QSL) algorithm. In this framework, potential interactions are predicted by estimating the overlap between a true positive dataset of compound-protein pairs with known interactions and an unknown dataset of all the remaining compound-protein pairs. The potential interactions are then identified as those in the unknown dataset that overlap with the interacting pairs in the true positive dataset in terms of the associated similarity structure. We also address the class-imbalance problem by modifying the conventional cost function of the QSL algorithm. Experimental results on GPCR and Nuclear Receptor datasets show that the proposed method can identify actual interactions from all possible combinations.Article Citation - WoS: 10Citation - Scopus: 13On the Characterization of Cognitive Tasks Using Activity-Specific Short-Lived Synchronization Between Electroencephalography Channels(Elsevier, 2021) Olcay, B. Orkan; Özgören, Murat; Karaçalı, BilgeAccurate characterization of brain activity during a cognitive task is challenging due to the dynamically changing and the complex nature of the brain. The majority of the proposed approaches assume stationarity in brain activity and disregard the systematic timing organization among brain regions during cognitive tasks. In this study, we propose a novel cognitive activity recognition method that captures the activity-specific timing parameters from training data that elicits maximal average short-lived pairwise synchronization between electroencephalography signals. We evaluated the characterization power of the activity-specific timing parameter triplets in a motor imagery activity recognition framework. The activity-specific timing parameter triplets consist of latency of the maximally synchronized signal segments from activity onset Delta t, the time lag between maximally synchronized signal segments t, and the duration of the maximally synchronized signal segments w. We used cosine-based similarity, wavelet bi-coherence, phase-locking value, phase coherence value, linearized mutual information, and cross-correntropy to calculate the channel synchronizations at the specific timing parameters. Recognition performances as well as statistical analyses on both BCI Competition-III dataset IVa and PhysioNet Motor Movement/Imagery dataset, indicate that the interchannel short-lived synchronization calculated using activity-specific timing parameter triplets elicit significantly distinct synchronization profiles for different motor imagery tasks and can thus reliably be used for cognitive task recognition purposes. (C) 2021 Elsevier Ltd. All rights reserved.Article Citation - WoS: 3Citation - Scopus: 3Automated Labeling of Cancer Textures in Larynx Histopathology Slides Using Quasi-Supervised Learning(Science Printers and Publishers Inc., 2014) Önder, Devrim; Sarıoğlu, Sülen; Karaçalı, BilgeOBJECTIVE: To evaluate the performance of a quasisupervised statistical learning algorithm, operating on datasets having normal and neoplastic tissues, to identify larynx squamous cell carcinomas. Furthermore, cancer texture separability measures against normal tissues are to be developed and compared either for colorectal or larynx tissues. STUDY DESIGN: Light microscopic digital images from histopathological sections were obtained from laryngectomy materials including squamous cell carcinoma and nonneoplastic regions. The texture features were calculated by using co-occurrence matrices and local histograms. The texture features were input to the quasisupervised learning algorithm. RESULTS: Larynx regions containing squamous cell carcinomas were accurately identified, having false and true positive rates up to 21% and 87%, respectively. CONCLUSION: Larynx squamous cell carcinoma versus normal tissue texture separability measures were higher than colorectal adenocarcinoma versus normal textures for the colorectal database. Furthermore, the resultant labeling performances for all larynx datasets are higher than or equal to that of colorectal datasets. The results in larynx datasets, in comparison with the former colorectal study, suggested that quasi-supervised texture classification is to be a helpful method in histopathological image classification and analysis.Conference Object Citation - WoS: 2Türk Makam Müziği Notaları için Otomatik Ezgi Bölütleme(Institute of Electrical and Electronics Engineers Inc., 2014) Bozkurt, Barış; Karaçalı, Bilge; Karaosmanoğlu, M. Kemal; Ünal, ErdemAutomatic melodic segmentation is one of the important steps in computational analysis of melodic content from symbolic data This widely studied research problem has been very rarely considered for Turkish makam music. In this paper we first present test results for state-of-the-art techniques from literature on Turkish makam music data Then, we present a statistical classification-based segmentation system that exploits the link between makant melodies and usul and makam scale hierarchies together with the well-known features in literature. We show through tests on a large dataset that the proposed system has a higher accuracy.Conference Object Citation - Scopus: 2Model-Free Expectation Maximization for Divisive Hierarchical Clustering of Multicolor Flow Cytometry Data(IEEE, 2014) Köktürk, Başak Esin; Karaçalı, BilgeThis paper proposes a new method for automated clustering of high dimensional datasets. The method is based on a recursive binary division strategy that successively divides an original dataset into distinct clusters. Each binary division is carried out using a model-free expectation maximization scheme that exploits the posterior probability computation capability of the quasi-supervised learning algorithm. The divisions are carried out until a division cost exceeds an adaptively determined limit. Experiment results on synthetic as well as real multi-color flow cytometry datasets showed that the proposed method can accurately capture the prominent clusters without requiring any knowledge on the number of clusters or their distribution models.