Deep Learning-Based Analysis of Electrochemical, Biomedical, and Optical Signals

Abstract

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.

This thesis explores the applications of deep learning (DL) techniques across various domains, demonstrating significant improvements in the detection, classification, and analysis of complex data. The study integrates DL models with different analytical methods to enhance performance in several fields. In the field of electrochemical analysis, a DL-based approach using an immunobiosensor was developed for the detection and classification of CD36. Traditional techniques often fall short in sensitivity and rapid analysis, especially at low analyte concentrations. The integration of DL models such as 1D-CNN and hybrid 1D-CNN – LSTM networks significantly improved the biosensor's sensitivity and specificity. For biomedical applications, Vision Transformers (ViT) techniques were employed to classify hand movements using surface electromyography (sEMG) signals. By analyzing sEMG data with advanced time-frequency analysis (TFA) methods and various ViT models, high accuracy was achieved. In optical sensing, DL techniques were applied to analyze Phase-Optical Time-Domain Reflectometry (Phase-OTDR) data. The use of DL methods, including 1D-CNN, 1D-CNN – LSTM, and 1D-CNN – Bi-LSTM models, enhanced the efficiency of Phase-OTDR-based current sensing systems. Additionally, a method to convert optical signals into images for classification using Transfer Learning models was implemented, resulting in high classification accuracy and more efficient data storage. This thesis demonstrates the potential of integrating DL techniques with various analytical methods to achieve significant advancements. The studies show DL's versatility in enhancing data analysis performance, offering more accurate, sensitive, and efficient solutions. The methodologies developed can be extended to other biomarkers, signal types, and analytical challenges.