Şizofreni (SZ), dünya çapında birçok insanı etkileyen ve erken teşhis ve tedavi edilmediği takdirde ölüme neden olan nöropsikiyatrik bir hastalıktır. Erken tanı için yaygın olarak kullanılan yöntemlerden biri elektroensefalografidir (EEG). Sinyal işleme ve makine öğrenme yöntemlerinin EEG sinyallerine uygulanması, SZ hastalığını belirlemek isteyen uzmanlara ve araştırmacılara destek olabilir. Bu çalışmada, SZ hastası ve sağlıklı kontrol grubuna işitsel uyaranların gönderilmesi sonucunda kaydedilen EEG sinyallerinden olaya bağlı potansiyel (OİP) sinyalleri elde edilmiştir. Bu sinyallerden öznitelikler olarak P300 genlik-gecikme, hjorth parametreleri ve entropi değerleri hesaplanmıştır. Elde edilen özellikler, SZ hastalarını sağlıklı kontrol grubundan ayırt etmek için Destek Vektör Makineleri (DVM), K-En Yakın Komşu (KEYK) ve Yapay Sinir Ağları (YSA) sınıflandırıcıları ile değerlendirildi. Bu çalışmada en başarılı sonuç %93,9 doğruluk oranı ile YSA sınıflandırıcısında elde edilmiştir.
{"title":"Olayla İlgili Potansiyel Sinyalleri Kullanarak Şizofreninin Analizi ve Sınıflandırılması","authors":"Anıl Aksöz, Doğukan Akyüz, Furkan Bayir, Nevzat Yildiz, Fırat Orhanbulucu, Fatma Latifoğlu","doi":"10.53070/bbd.1173093","DOIUrl":"https://doi.org/10.53070/bbd.1173093","url":null,"abstract":"Şizofreni (SZ), dünya çapında birçok insanı etkileyen ve erken teşhis ve tedavi edilmediği takdirde ölüme neden olan nöropsikiyatrik bir hastalıktır. Erken tanı için yaygın olarak kullanılan yöntemlerden biri elektroensefalografidir (EEG). Sinyal işleme ve makine öğrenme yöntemlerinin EEG sinyallerine uygulanması, SZ hastalığını belirlemek isteyen uzmanlara ve araştırmacılara destek olabilir. Bu çalışmada, SZ hastası ve sağlıklı kontrol grubuna işitsel uyaranların gönderilmesi sonucunda kaydedilen EEG sinyallerinden olaya bağlı potansiyel (OİP) sinyalleri elde edilmiştir. Bu sinyallerden öznitelikler olarak P300 genlik-gecikme, hjorth parametreleri ve entropi değerleri hesaplanmıştır. Elde edilen özellikler, SZ hastalarını sağlıklı kontrol grubundan ayırt etmek için Destek Vektör Makineleri (DVM), K-En Yakın Komşu (KEYK) ve Yapay Sinir Ağları (YSA) sınıflandırıcıları ile değerlendirildi. Bu çalışmada en başarılı sonuç %93,9 doğruluk oranı ile YSA sınıflandırıcısında elde edilmiştir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"47458233","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Göz takip algoritmalarında önemli bir yere sahip olan göz bebeği merkezinin yerini belirlemek için geçmişten günümüze birçok yöntem kullanılmıştır. Bu yöntemler genellikle şekil-özellik ve görünüm temellidir. Şekil-özellik tabanlı yöntemler, iris ve göz bebeğinin yerini belirlemek için morfolojik görüntü işleme tekniklerini, gözün değişmez geometrik özelliklerini ve kızılötesi ışığı kullanır. Bu yöntemler ışık, düşük çözünürlük gibi gerçek dünya koşullarından etkilenir. Buna karşılık, görünüm temelli yöntemler bu koşullara daha az duyarlıdır. Bu çalışmada, göz özelliklerini otomatik olarak öğrenen ve göz bebeği merkezi lokalizasyonu gerçekleştiren görünüm tabanlı yöntemlerden biri olan Mini U-Net ağı önerilmiştir. Önerilen ağ, göz bebeği merkezi yerelleştirmesi için halka açık GI4E veri seti kullanılarak değerlendirildi. Ağın test sonuçlarında maksimum normalize edilmiş hata kriterine göre ölçümler yapılmıştır. Buna göre göz bebeğinin merkezi %98,40 doğrulukla belirlendi. Önerilen ağ, en son teknolojik yöntemlerle karşılaştırılmış ve önerilen ağın performansı ortaya konmuştur.
眼睛跟踪算法一直以来都在以多种方式用于识别婴儿眼睛中心的位置。这些方法通常基于形状和外观。基于设计的方法，虹膜和眼睛使用形态学图像处理技术来识别孩子的位置、不透明的几何特性和红外光。Bu yöntemlerışık，düşükçözünürlük gibi gerçek dünya koşullarından etkilenir。相反，基本的外观方式对这些条件不那么敏感。在这项研究中，迷你U-Net网络是最复杂的视觉特征之一，可以自动发现和执行眼睛婴儿的位置。使用开放的GI4E数据库集对所提出的网络进行评估，以定位儿童的眼睛中心。根据网络测试结果中的最大归一化误差标准进行测量。因此，婴儿眼睛的中心已经确定了98.40%的准确率。将提出的网络与最新的技术方法进行了比较，并得出了提出的网络性能。
{"title":"Mini U-Net Tabanlı Göz bebeği Merkezi Yerelleştirmesi","authors":"Kenan Donuk, D. Hanbay","doi":"10.53070/bbd.1173482","DOIUrl":"https://doi.org/10.53070/bbd.1173482","url":null,"abstract":"Göz takip algoritmalarında önemli bir yere sahip olan göz bebeği merkezinin yerini belirlemek için geçmişten günümüze birçok yöntem kullanılmıştır. Bu yöntemler genellikle şekil-özellik ve görünüm temellidir. Şekil-özellik tabanlı yöntemler, iris ve göz bebeğinin yerini belirlemek için morfolojik görüntü işleme tekniklerini, gözün değişmez geometrik özelliklerini ve kızılötesi ışığı kullanır. Bu yöntemler ışık, düşük çözünürlük gibi gerçek dünya koşullarından etkilenir. Buna karşılık, görünüm temelli yöntemler bu koşullara daha az duyarlıdır. Bu çalışmada, göz özelliklerini otomatik olarak öğrenen ve göz bebeği merkezi lokalizasyonu gerçekleştiren görünüm tabanlı yöntemlerden biri olan Mini U-Net ağı önerilmiştir. Önerilen ağ, göz bebeği merkezi yerelleştirmesi için halka açık GI4E veri seti kullanılarak değerlendirildi. Ağın test sonuçlarında maksimum normalize edilmiş hata kriterine göre ölçümler yapılmıştır. Buna göre göz bebeğinin merkezi %98,40 doğrulukla belirlendi. Önerilen ağ, en son teknolojik yöntemlerle karşılaştırılmış ve önerilen ağın performansı ortaya konmuştur.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"47040951","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Semir Sünkün, Berke Oğulcan Parlak, alper yıldırım, H. Yavaşoğlu
Endüstriyel robotları kullanmak, işgücü krizini ele almak ve endüstriyel teknolojileri ilerletmek için etkili bir yöntemdir. Sonuç olarak, endüstriyel robotlar giderek daha popüler hale geliyor. Ayrıca endüstriyel robotların yaygınlaşması robot tahrik mekanizmalarına olan ilgiyi artıracaktır. Bacaklı robotlar, potansiyel avantajları nedeniyle öncelikle araştırılmalıdır. Bacak mekanizmaları arasında, Jansen'in bağlantısı (JL), organik yürüme hareketi, ölçeklenebilir tasarımı ve döner girdi ile basit sürüşü nedeniyle popülerlik kazanmıştır. Bununla birlikte, JL'nin oldukça doğrusal olmayan doğası, analizini zorlaştırmaktadır. Araştırma, ayak yörüngesini görselleştiren ve kullanıcı tarafından sağlanan bağlantı uzunluklarını kullanarak JL'nin kinematik analizini gerçekleştirerek adım yüksekliğini aynı anda hesaplayan kullanıcı dostu bir araç kutusu tasarımı sağlar. Bu sayede çalışma, bacaklı robotların tasarım aşamasına önemli ölçüde katkı sağlamakta ve gereken süreyi azaltmaktadır.
{"title":"Jansen Bağlantısının Kinematik Analizi için Araç Kutusu Tasarımı","authors":"Semir Sünkün, Berke Oğulcan Parlak, alper yıldırım, H. Yavaşoğlu","doi":"10.53070/bbd.1173829","DOIUrl":"https://doi.org/10.53070/bbd.1173829","url":null,"abstract":"Endüstriyel robotları kullanmak, işgücü krizini ele almak ve endüstriyel teknolojileri ilerletmek için etkili bir yöntemdir. Sonuç olarak, endüstriyel robotlar giderek daha popüler hale geliyor. Ayrıca endüstriyel robotların yaygınlaşması robot tahrik mekanizmalarına olan ilgiyi artıracaktır. Bacaklı robotlar, potansiyel avantajları nedeniyle öncelikle araştırılmalıdır. Bacak mekanizmaları arasında, Jansen'in bağlantısı (JL), organik yürüme hareketi, ölçeklenebilir tasarımı ve döner girdi ile basit sürüşü nedeniyle popülerlik kazanmıştır. Bununla birlikte, JL'nin oldukça doğrusal olmayan doğası, analizini zorlaştırmaktadır. Araştırma, ayak yörüngesini görselleştiren ve kullanıcı tarafından sağlanan bağlantı uzunluklarını kullanarak JL'nin kinematik analizini gerçekleştirerek adım yüksekliğini aynı anda hesaplayan kullanıcı dostu bir araç kutusu tasarımı sağlar. Bu sayede çalışma, bacaklı robotların tasarım aşamasına önemli ölçüde katkı sağlamakta ve gereken süreyi azaltmaktadır.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"49623869","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Üreticiler ve tüketiciler arasında karşılıklı haberleşmenin sağlandığı akıllı şebekelerde (SG) talep tarafı yük yönetimi (DSLM), yük tahmini ve bunlarla bağlantılı olan dinamik enerji fiyatlandırması günümüzde ve gelecekte büyük önem arz etmektedir. Dinamik enerji fiyatlandırması ile elde edilen sinyallerin sunucular aracılığıyla yayınlanması talep tarafı yönetim ve enerji piyasası için çok önemli bir başlıktır. Dinamik enerji fiyatlandırması tabanlı çalışmaların genelinde dağıtık üretim koşullarına rağmen enerji dengesi talep tarafı yönetim ile korunmaktadır. Enerji fiyat sinyallerinin dinamik yapıda olmasıyla ve yük tahmini ile dağıtık üretimden kaynaklanan belirsizliklere yanıt verilmektedir. Bu çalışmada talep yanıtı (DR) yöntemleri ve akıllı fiyatlandırma planları olan kullanım süresi (ToU), kritik tepe fiyatlandırması (CPP) ve gerçek zamanlı fiyatlandırma (RTP) ayrıntılı olarak incelenmiştir. Akıllı şebekelerde yapılan çalışmalar, avantajları, dezavantajları incelenmiş ve akıllı fiyat planları karşılaştırılmıştır.
{"title":"A Study on Dynamic Energy Pricing in Smart Grids","authors":"Zehva Yalçinöz, A. Kaygusuz","doi":"10.53070/bbd.1174257","DOIUrl":"https://doi.org/10.53070/bbd.1174257","url":null,"abstract":"Üreticiler ve tüketiciler arasında karşılıklı haberleşmenin sağlandığı akıllı şebekelerde (SG) talep tarafı yük yönetimi (DSLM), yük tahmini ve bunlarla bağlantılı olan dinamik enerji fiyatlandırması günümüzde ve gelecekte büyük önem arz etmektedir. Dinamik enerji fiyatlandırması ile elde edilen sinyallerin sunucular aracılığıyla yayınlanması talep tarafı yönetim ve enerji piyasası için çok önemli bir başlıktır. Dinamik enerji fiyatlandırması tabanlı çalışmaların genelinde dağıtık üretim koşullarına rağmen enerji dengesi talep tarafı yönetim ile korunmaktadır. Enerji fiyat sinyallerinin dinamik yapıda olmasıyla ve yük tahmini ile dağıtık üretimden kaynaklanan belirsizliklere yanıt verilmektedir. Bu çalışmada talep yanıtı (DR) yöntemleri ve akıllı fiyatlandırma planları olan kullanım süresi (ToU), kritik tepe fiyatlandırması (CPP) ve gerçek zamanlı fiyatlandırma (RTP) ayrıntılı olarak incelenmiştir. Akıllı şebekelerde yapılan çalışmalar, avantajları, dezavantajları incelenmiş ve akıllı fiyat planları karşılaştırılmıştır.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43029066","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray
{"title":"A Novel Covid-19 Detection System Based on PSO and Hybrid Feature Using Support Vector Machines","authors":"M. Ozdemir, D. Hanbay","doi":"10.53070/bbd.1172671","DOIUrl":"https://doi.org/10.53070/bbd.1172671","url":null,"abstract":"The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43397942","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Bu çalışma, Derin Öğrenme ve 5G ile oluşturulan veriler kullanılarak kanal tahmini için bir evrişimsel sinir ağının (CNN) nasıl eğitileceğini gösterir. Eğitilmiş CNN, fiziksel aşağı bağlantı paylaşılan kanal (PDSCH) demodülasyon referans sinyalini (DM-RS) kullanarak tek girişli tek çıkışlı (SISO) modunda kanal tahmini gerçekleştirilmiştir. Kanal tahmini için genel yaklaşım, iletim kanalı içine değeri bilinen referans pilot sembolleri eklemek ve daha sonra bu pilot sembolleri kullanarak kanal yanıtının geri kalanını enterpolasyon yapmaktır. Kanal tahmini yapmak için derin öğrenme teknikleri de kullanılabilir. Örneğin, PDSCH kaynak ızgarasını 2 boyutlu bir görüntü olarak görüntüleyerek, kanal tahmini problemini, CNN'lerin etkili olduğu gürültü giderme veya süper çözünürlüğe benzer bir görüntü işleme problemine dönüştürebilir. Bu çalışma, bu tür eğitim verilerinin nasıl oluşturulacağını ve bir kanal tahmini uygulamasında CNN'nin nasıl eğitileceğini gösterir. Ayrıca, lineer enterpolasyon ile alınan pilot sembolleri içeren görüntüleri işlemek için CNN kanal tahmininin nasıl kullanılacağını gösterir. Bu çalışma, pratik ve mükemmel tahmin edicilere kıyasla sinir ağı kanal tahmincisinin sonuçlarını görselleştirerek sona ermektedir.
这项研究展示了如何训练进化神经网络（CNN）使用深度学习和5G生成的数据进行估计。训练后的CNN使用信道（PDSCH）演示参考信号（DM-RS）共享物理下行链路在单输入模式（SISO）中进行信道预测。信道的一般方法是将已知的参考导频符号添加到通信信道，然后使用这些导频符号输入信道的其余响应。深度学习技术也可以用于预测渠道。Örneğin、PDSCH kaynakızgarasını2 boyutlu bir görüntüolarak görünüleyerek、kanal tahmini problemini、CNN'lerin etkili olduğu gürürültügiderme veya süperçözünúrlüğe benzer bir gèrü。这项研究显示了CNN将如何在这样的训练数据和频道预测中进行训练。它还展示了CNN信道估计将如何用于处理包含线性插值的图像。这将通过将神经网络投影仪的结果与工作、实践和优秀预测结果进行比较来实现可视化。
{"title":"5G Sistemleri için DL Tabanlı Kanal Tahmini","authors":"Bircan Çalişir","doi":"10.53070/bbd.1173848","DOIUrl":"https://doi.org/10.53070/bbd.1173848","url":null,"abstract":"Bu çalışma, Derin Öğrenme ve 5G ile oluşturulan veriler kullanılarak kanal tahmini için bir evrişimsel sinir ağının (CNN) nasıl eğitileceğini gösterir. Eğitilmiş CNN, fiziksel aşağı bağlantı paylaşılan kanal (PDSCH) demodülasyon referans sinyalini (DM-RS) kullanarak tek girişli tek çıkışlı (SISO) modunda kanal tahmini gerçekleştirilmiştir. Kanal tahmini için genel yaklaşım, iletim kanalı içine değeri bilinen referans pilot sembolleri eklemek ve daha sonra bu pilot sembolleri kullanarak kanal yanıtının geri kalanını enterpolasyon yapmaktır. Kanal tahmini yapmak için derin öğrenme teknikleri de kullanılabilir. Örneğin, PDSCH kaynak ızgarasını 2 boyutlu bir görüntü olarak görüntüleyerek, kanal tahmini problemini, CNN'lerin etkili olduğu gürültü giderme veya süper çözünürlüğe benzer bir görüntü işleme problemine dönüştürebilir. Bu çalışma, bu tür eğitim verilerinin nasıl oluşturulacağını ve bir kanal tahmini uygulamasında CNN'nin nasıl eğitileceğini gösterir. Ayrıca, lineer enterpolasyon ile alınan pilot sembolleri içeren görüntüleri işlemek için CNN kanal tahmininin nasıl kullanılacağını gösterir. Bu çalışma, pratik ve mükemmel tahmin edicilere kıyasla sinir ağı kanal tahmincisinin sonuçlarını görselleştirerek sona ermektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46090932","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Duygular insan davranışlarını doğrudan etkileyebilir. Bu durum kişilerin iletişimde oldukları diğer kişilerin duygu durumlarını öğrenmek istemelerine neden olur. Duygu durumu bilgisi, verimliliği artırmak için birçok alanda kullanılabilir. Bu zorlu bir iştir ve veri toplamadan sınıflandırmaya kadar geniş bir çalışma süreci gerektirir. Günümüzde birçok araştırmacı, metin analizi, vücut hareketi analizi, yüz ifadeleri ve ses gibi farklı teknikleri kullanarak duyguları tanımak için çalışmaktadır. Bu çalışmada, bu problem için bir yaklaşım önerdik. Yaklaşımımız insan sesini ve evrişimsel bir sinir ağını kullanarak sınıflandırma yapar. Makalemiz tanıma sürecinin nasıl oluşturulduğunu ve nasıl çalıştığını ayrıntılı olarak açıklamaktadır.
情绪可以直接影响人类的行为。这就是为什么人们想了解接触中其他人的情绪。关于情绪的信息可以用于许多领域以提高效率。这是一项艰巨的工作，需要一个广泛的过程来对数据收集进行分类。如今，许多研究人员通过文本分析、身体运动分析、面对面和声音技术来识别情绪。在这项研究中，我们提供了一种解决这个问题的方法。Yaklaşımımşz insan sesini ve evrişimsel bir sinir ağınıkullanaak sınşflandırma yapar。我们的文章详细解释了定义过程是如何创建的以及它是如何工作的。
{"title":"Evrişimsel Sinir Ağları ile Konuşmadan Duygu Tanıma Sistemi","authors":"Metehan Aydi̇n, Bülent Tuğrul, Yilmaz Ar","doi":"10.53070/bbd.1174033","DOIUrl":"https://doi.org/10.53070/bbd.1174033","url":null,"abstract":"Duygular insan davranışlarını doğrudan etkileyebilir. Bu durum kişilerin iletişimde oldukları diğer kişilerin duygu durumlarını öğrenmek istemelerine neden olur. Duygu durumu bilgisi, verimliliği artırmak için birçok alanda kullanılabilir. Bu zorlu bir iştir ve veri toplamadan sınıflandırmaya kadar geniş bir çalışma süreci gerektirir. Günümüzde birçok araştırmacı, metin analizi, vücut hareketi analizi, yüz ifadeleri ve ses gibi farklı teknikleri kullanarak duyguları tanımak için çalışmaktadır. Bu çalışmada, bu problem için bir yaklaşım önerdik. Yaklaşımımız insan sesini ve evrişimsel bir sinir ağını kullanarak sınıflandırma yapar. Makalemiz tanıma sürecinin nasıl oluşturulduğunu ve nasıl çalıştığını ayrıntılı olarak açıklamaktadır.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43632018","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Skin cancer is a serious health hazard for human society. This disease is developed when the pigments that produce skin color become cancerous. Dermatologists face difficulties in diagnosing skin cancer since many skin cancer colors seem identical. As a result, early diagnosis of lesions (the foundation of skin cancer) is very crucial and beneficial in totally curing skin cancer patients. Significant progress has been made in creating automated methods with the development of artificial intelligence (AI) technologies to aid dermatologists in the identification of skin cancer. The widespread acceptance of AI-powered technologies has enabled the use of a massive collection of photos of lesions and benign sores authorized by histology. This research compares six alternative transfer learning networks (deep networks) for skin cancer classification using the International Skin Imaging Collaboration (ISIC) dataset. DenseNet, Xception, InceptionResNetV2, ResNet50, and MobileNet were the transfer learning networks employed in the investigation which were successful in different studies recently. To compensate for the imbalance in the ISIC dataset, the photos of classes with low frequencies are augmented. The results show that augmentation is appropriate for the classification success, with high classification accuracies and F-scores with decreased false negatives. With an accuracy rate of 98.35%, modified DenseNet121 was the most successful model against the rest of the transfer learning nets utilized in the study.
{"title":"Classification of Skin Cancer with Deep Transfer Learning Method","authors":"Doaa Khalid Abdulridha AL-SAEDİ, Serkan Savaş","doi":"10.53070/bbd.1172782","DOIUrl":"https://doi.org/10.53070/bbd.1172782","url":null,"abstract":"Skin cancer is a serious health hazard for human society. This disease is developed when the pigments that produce skin color become cancerous. Dermatologists face difficulties in diagnosing skin cancer since many skin cancer colors seem identical. As a result, early diagnosis of lesions (the foundation of skin cancer) is very crucial and beneficial in totally curing skin cancer patients. Significant progress has been made in creating automated methods with the development of artificial intelligence (AI) technologies to aid dermatologists in the identification of skin cancer. The widespread acceptance of AI-powered technologies has enabled the use of a massive collection of photos of lesions and benign sores authorized by histology. This research compares six alternative transfer learning networks (deep networks) for skin cancer classification using the International Skin Imaging Collaboration (ISIC) dataset. DenseNet, Xception, InceptionResNetV2, ResNet50, and MobileNet were the transfer learning networks employed in the investigation which were successful in different studies recently. To compensate for the imbalance in the ISIC dataset, the photos of classes with low frequencies are augmented. The results show that augmentation is appropriate for the classification success, with high classification accuracies and F-scores with decreased false negatives. With an accuracy rate of 98.35%, modified DenseNet121 was the most successful model against the rest of the transfer learning nets utilized in the study.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"44133488","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Son yıllarda derin öğrenme mimarilerinin sınıflama ve tahmin üzerine yüksek başarımlara sahip olması bu alanlara ilgiyi artırmıştır. Özellikle medikal alanlarda hastalık tanısında bilgisayar tabanlı karar destek sistemlerinin yaygınlaşması ile veri setlerinin önemi ve paylaşılması da ön plana çıkmıştır. Ancak oluşturulan veri setlerinin derin mimariler için yeterli veri sayısına sahip olmaması sınıflama performansı açısından sorun olabilmektedir. Veri miktarının artırılması ise çoğu zaman maliyetli, zaman alıcı ve ilgili uzmanın her zaman bulunamaması sebebiyle mümkün olamamaktadır. Bahsedilen durumlar veri çoğullama yöntemlerinin devreye girmesini ve bu alana yönelmeyi gerektirmiştir. Bu çalışmada Dalgacık aktivasyon fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı (D-AÖM-OK) tabanlı veri artırma yöntemi önerilmiştir. Önerilen yöntem dünyadaki kanser oranının en büyük yüzdesini içeren akciğer kanser sınıflaması üzerinde test edilmiştir. Çoğullanan eğitim veri seti GoogLeNet mimarisine giriş olarak uygulanmıştır. D-AÖM-OK’ın performansı çoğullanmamış ve geleneksel çoğullama yöntemleri ile karşılaştırılmıştır. Önerilen yöntem çoğullanmamış duruma kıyasla %11,12, klasik yöntemlerle çoğullanmış veri setine göre ise %2,55 oranında daha yüksek başarım göstermektedir.
在过去的几年里，它增加了人们对这些领域的兴趣，比如深度学习架构师的课程和预测。Özellikle medikal alanlada hastalık tanısında bilgisayar tabanlıkarar destek systemtemlerinin yaygınlaşmasıile veri setlerininönemi ve paylaşılmasıdaön planaçıkmıştır。然而，由于类性能的原因，数据集的创建可能没有足够的数据供深度架构师使用。数据的增加并不总是可能的，因为大部分时间都是成本，时间接收器和专家都不可用。目前的情况是，大多数儿童的数据方法应该在这一领域进行传播和管理。在本研究中，Dalgavik激活函数提供了一种基于D-AÖM-OK的自动数据增量方法。所提出的方法在世界上癌症类癌症的最高百分比上进行了测试。最常用的教育数据集被用作GoogLeNet架构的输入。将D-AÖM-OK的性能与非增殖和传统乘法方法进行了比较。根据一系列经典数据集，所提出的方法是未使用状态的11.12%，高于2.55%。
{"title":"An Effective Image Augmenting Technique in Detection of Lung Cancer Types","authors":"B. Ari, Ö. Alçin, A. Şengür","doi":"10.53070/bbd.1173074","DOIUrl":"https://doi.org/10.53070/bbd.1173074","url":null,"abstract":"Son yıllarda derin öğrenme mimarilerinin sınıflama ve tahmin üzerine yüksek başarımlara sahip olması bu alanlara ilgiyi artırmıştır. Özellikle medikal alanlarda hastalık tanısında bilgisayar tabanlı karar destek sistemlerinin yaygınlaşması ile veri setlerinin önemi ve paylaşılması da ön plana çıkmıştır. Ancak oluşturulan veri setlerinin derin mimariler için yeterli veri sayısına sahip olmaması sınıflama performansı açısından sorun olabilmektedir. Veri miktarının artırılması ise çoğu zaman maliyetli, zaman alıcı ve ilgili uzmanın her zaman bulunamaması sebebiyle mümkün olamamaktadır. Bahsedilen durumlar veri çoğullama yöntemlerinin devreye girmesini ve bu alana yönelmeyi gerektirmiştir. Bu çalışmada Dalgacık aktivasyon fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı (D-AÖM-OK) tabanlı veri artırma yöntemi önerilmiştir. Önerilen yöntem dünyadaki kanser oranının en büyük yüzdesini içeren akciğer kanser sınıflaması üzerinde test edilmiştir. Çoğullanan eğitim veri seti GoogLeNet mimarisine giriş olarak uygulanmıştır. D-AÖM-OK’ın performansı çoğullanmamış ve geleneksel çoğullama yöntemleri ile karşılaştırılmıştır. Önerilen yöntem çoğullanmamış duruma kıyasla %11,12, klasik yöntemlerle çoğullanmış veri setine göre ise %2,55 oranında daha yüksek başarım göstermektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"42267632","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Konuşma duygu tanıma, konuşma sinyallerinden insan duygularını gerçek zamanlı olarak tanıyabilen aktif bir insan-bilgisayar etkileşimi alanıdır. Bu alanda yapılan tanıma görevi, duyguların karmaşıklığı nedeniyle zorlu bir sınıflandırma örneğidir. Etkili bir sınıflandırma işleminin yapılabilmesi yüksek seviyeli derin özelliklere ve uygun bir derin öğrenme modeline bağlıdır. Konuşma duygu tanıma alanında yapılmış birçok sınıflandırma çalışması mevcuttur. Bu çalışmalarda konuşma verilerinden duyguların doğru bir şekilde çıkarılması için birçok farklı model ve özellik birleşimi önerilmiştir. Bu makalede konuşma duygu tanıma görevi için bir sistem önerilmektedir. Bu sistemde konuşma duygu tanıma için uzun-kısa süreli bellek tabanlı bir derin öğrenme modeli önerilmiştir. Önerilen sistem ön-işlem, özellik çıkarma, özellik birleşimi, uzun-kısa süreli bellek ve sınıflandırma olmak üzere dört aşamadan oluşmaktadır. Önerilen sistemde konuşma verilerine ilk olarak kırpma ve ön-vurgu ön-işlemleri uygulanır. Bu işlemlerden sonra elde edilen konuşma verilerinden Mel Frekans Kepstrum Katsayıları, Sıfır Geçiş Oranı ve Kök Ortalama Kare Enerji akustik özellikleri çıkarılarak birleştirilir. Birleştirilen bu özelliklerin uzamsal bilgilerinin yanında zaman içindeki akustik değişimleri sistemde önerilen uzun-kısa süreli bellek ve buna bağlı bir derin sinir ağı modeliyle öğrenilir. Son olarak softmax aktivasyon fonksiyonu ile öğrenilen bilgiler 8 farklı duyguya sınıflandırılır. Önerilen sistem RAVDESS ve TESS veri setlerinin birlikte kullanıldığı bir veri kümesinde test edilmiştir. Eğitim, doğrulama ve test sonuçlarında sırasıyla %99.87 , %85.14 , %88.92 oranlarında doğruluklar ölçülmüştür. Sonuçlar, son teknoloji çalışmalardaki doğruluklarla kıyaslanmış önerilen sistemin başarısı ortaya konmuştur.
{"title":"Konuşma Duygu Tanıma için Akustik Özelliklere Dayalı LSTM Tabanlı Bir Yaklaşım","authors":"Kenan Donuk, D. Hanbay","doi":"10.53070/bbd.1113379","DOIUrl":"https://doi.org/10.53070/bbd.1113379","url":null,"abstract":"Konuşma duygu tanıma, konuşma sinyallerinden insan duygularını gerçek zamanlı olarak tanıyabilen aktif bir insan-bilgisayar etkileşimi alanıdır. Bu alanda yapılan tanıma görevi, duyguların karmaşıklığı nedeniyle zorlu bir sınıflandırma örneğidir. Etkili bir sınıflandırma işleminin yapılabilmesi yüksek seviyeli derin özelliklere ve uygun bir derin öğrenme modeline bağlıdır. Konuşma duygu tanıma alanında yapılmış birçok sınıflandırma çalışması mevcuttur. Bu çalışmalarda konuşma verilerinden duyguların doğru bir şekilde çıkarılması için birçok farklı model ve özellik birleşimi önerilmiştir. Bu makalede konuşma duygu tanıma görevi için bir sistem önerilmektedir. Bu sistemde konuşma duygu tanıma için uzun-kısa süreli bellek tabanlı bir derin öğrenme modeli önerilmiştir. Önerilen sistem ön-işlem, özellik çıkarma, özellik birleşimi, uzun-kısa süreli bellek ve sınıflandırma olmak üzere dört aşamadan oluşmaktadır. Önerilen sistemde konuşma verilerine ilk olarak kırpma ve ön-vurgu ön-işlemleri uygulanır. Bu işlemlerden sonra elde edilen konuşma verilerinden Mel Frekans Kepstrum Katsayıları, Sıfır Geçiş Oranı ve Kök Ortalama Kare Enerji akustik özellikleri çıkarılarak birleştirilir. Birleştirilen bu özelliklerin uzamsal bilgilerinin yanında zaman içindeki akustik değişimleri sistemde önerilen uzun-kısa süreli bellek ve buna bağlı bir derin sinir ağı modeliyle öğrenilir. Son olarak softmax aktivasyon fonksiyonu ile öğrenilen bilgiler 8 farklı duyguya sınıflandırılır. Önerilen sistem RAVDESS ve TESS veri setlerinin birlikte kullanıldığı bir veri kümesinde test edilmiştir. Eğitim, doğrulama ve test sonuçlarında sırasıyla %99.87 , %85.14 , %88.92 oranlarında doğruluklar ölçülmüştür. Sonuçlar, son teknoloji çalışmalardaki doğruluklarla kıyaslanmış önerilen sistemin başarısı ortaya konmuştur.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-06-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"45460322","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：