Tez Koleksiyonu
Bu koleksiyon için kalıcı URI
Güncel Gönderiler
Öğe Prediction of gait kinetics from joint angles using machine learning in patients with cerebral palsy(Türk-Alman Üniversitesi, 2023) Özateş, Mustafa Erkam; Arslan, Yunus ZiyaSerebral palsili (SP) hastalarda yürüme sırasında eklem momentleri ve yer reaksiyon kuvveti (YTK), klinik karar verme sürecinde değerli bilgiler sağlar. Eklem momentleri, ters kinematik modeller kullanılarak YTK'ne dayalı olarak hesaplanır. SP'li hastalardan YTK elde etmek zorlu bir süreçtir. Sağlıklı bireylerde eklem momentleri ve YTK'leri, makine öğrenmesi (MÖ) kullanılarak eklem açılarından tahmin edilmiştir, ancak SP'li hastalar üzerinde böyle bir çalışma henüz yapılmamıştır. Bu nedenle, bu çalışmada SP'li hastalarda ve sağlıklı bireylerde yürüme sırasında gövde, pelvis, kalça, diz ve ayak bileği kinematiği temel alınarak dikey YTK, dorsi-plantar fleksiyon, diz fleksiyon-ekstansiyon, kalça fleksiyon-ekstansiyon ve kalça addüksiyon-abdüksiyon momentlerinin bir boyutlu konvolüsyonel sinir ağları kullanılarak tahmin edilmesi amaçlandı. SP ve sağlıklı deneklerin anonimleştirilmiş geriye dönük yürüme verileri kullanıldı. Veriler, Heidelberg Üniversitesi, Ortopedi ve Travmatoloji Bölümü'nde son yirmi yıl içinde hastaların klinik çalışmaları sırasında toplanmıştır. MÖ çalışmasını genişletmek için, yürüme kinematiğinin zaman alanı özniteliklerinin manuel ve otomatik olarak çıkarılması yöntemleri kullanılarak ridge regresyon, rastgele karar ormanı, çok katmanlı sinir ağı, k-en yakın komşu, uzun-kısa süreli bellek sinir ağı algoritmalarının özelleştirilmiş MÖ modelleri eğitildi. Performansları, normalize edilmiş karesel ortalama hata (nKOH) ve Pearson korelasyon katsayısı (PCC) kullanılarak izole edilmiş test örneği gruplarında değerlendirildi ve karşılaştırıldı. Eklem momentleri, SP grubu için %18,02 ila %13,58 arasında nKOH ve sağlıklılar grubu için %12,55 ila %8,58 arasında nKOH ile tahmin edildi, SP grubu için 0,90 ila 0,96 arasında PCC ve sağlıklılar grubu için 0,96 ila 0,99 arasında PCC ile tahmin edildi. YTK, sağlıklı bireyler için %7,47 nKOH ve SP'li hastalar için %11,75 nKOH ile tahmin edildi, sağlıklılar grubu için 0,98 PCC ve SP grubu için 0,94 PCC ile tahmin edildi. Makine öğrenimi algoritmaları, manuel ve otomatik çıkarılmış öznitelikleri kullanarak benzer performans sergiledi. Makine öğrenimine dayalı eklem momenti tahmini, SP'li hastalarda geleneksel moment hesaplamanın yerine geçebilir, ancak mevcut düzeydeki tahmin hataları, klinik karar vermede bugün kullanımını sınırlamaktadır.Öğe Risk analysis by using artificial neural networks at a plastic production plant(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2024) Adnanoğlu, OmranBu çalışma, plastik üretim tesislerinde iş sağlığı ve güvenliği risklerini belirlemeyi ve bu risklere karşı otomasyon sistemlerini kullanarak korunma sağlamayı amaçlamaktadır. Çalışmanın temel yöntemi, FMEA (Failure Mode and Effects Analysis) kullanılarak potansiyel hata modlarının tanımlanması ve kritik olanlarının önceliklendirilmesidir. Literatür taraması ve çalışan anketleriyle başlayan çalışmada, iş yerindeki riskler sistematik olarak belirlenmiş ve görüşmelerle kök nedenleri araştırılmıştır. Veriler, anketler ve görüşmeler yoluyla toplanıp bulut depolama ortamında saklanmıştır. Analizler sonucunda, makine bakımı ve iş sağlığı eğitimi gibi kritik alanlarda otomasyon sistemleri önerilmiş ve bu sistemler için Python ortamında ilgili kodlar geliştirilmiştir. Son olarak, yapay sinir ağları modelinin uygulanmasıyla çalışma tamamlanmış ve plastik üretim tesislerindeki iş sağlığı ve güvenliği yönetiminin güçlendirilmesi hedeflenmiştir.Öğe Prediction of psychological disorder levels with deep learning models based on electroencephalography (EEG) signals(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2024) Memişoğlu, Oğuzhan; Habiboğlu, Mehmet GökhanPsychological disorders, diverse and complex, paint a spectrum of challenges across the human experience. Depression is one of the life-threatening psychological disorders that impacts millions of individuals worldwide. Traditional diagnosis depends heavily on subjective reports, which inhibits objectivity and accuracy. This study investigates the potential of deep neural networks (DNNs) in detecting and characterizing depression severity using electroencephalography (EEG) data. In this study, an open source dataset is examined, which includes resting state and task-driven EEG recordings of 60 subjects to classify to predict severity of depression, based on self-rating depression scale (SDS) score. Severity of subjects are labeled by the ranges of SDS score. Using the significant feature extraction capabilities of DNNs, particularly convolutional neural networks (CNNs) and recurrent neural networks (RNNs), it is aimed to classify depression severity level using EEG data itself and extracted features from EEG data proposed in the literature. Accuracies of different input representations are obtained. It is observed that using combinations of feature representations of EEG data shows promising results in the above-mentioned networks.Öğe Additive manufacturing and mechanical properties of open-pore resin foam structures developed by image processing on the computed tomography data(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2023) Rastanawi, NouhMalzemelerin bilgisayarlı tomografi (BT) verilerinden veri dönüştürme, modelleme için yaygın olarak kullanılmaktadır. Bununla birlikte, BT verileri aracılığıyla açık hücreli köpüklerin fiziksel üretimi köpükler için nadiren gerçekleştirilmiştir. Burada, deformasyon mekanizmalarını değiştirerek enerji soğurma özelliklerini geliştirmek için ticari olarak mevcut köpük BT verileri üzerinde görüntü işleme kullanarak yeni köpük yapıları oluşturmayı amaçlıyoruz. Bu çalışmada, Maskeli Stereolitografi Aparatı (MSLA) gibi eklemeli üretim teknikleri kullanılarak, piyasada bulunan çelik köpüklerin bilgisayarlı tomografi verilerinden bir dizi köpük oluşturulmuştur. Bu setler 10ppi (inç başına gözenek), 3ppi, birleştirilmiş (10ppi ile 3ppi birleştirilmiş) ve 10ppi aşındırılmıştır. Yarı statik sıkıştırma kullanılarak yapılan testler, köpüklerin mekanik performansını ve özelliklerini karakterize etmek için kullanılmıştır. Yoğunluğun derecelendirilmesi, yoğunlaşma gerinimini azaltır ve plato rejiminin eğimini artırır. En iyi enerji emme kapasitesi, özgül mukavemet ve yoğunlaşma gerilmesi, yüksek bağıl yoğunluklarda birleştirilmiş köpükler tarafından gösterilmiştir. 3ppi, 10ppi ve 10ppi yoğunluk dereceli köpükler, dikmelerin bükülmesiyle deforme olur. Eğilme baskın yapı, birleştirilmiş köpükler durumunda gerilme baskın bir yapıya dönüşmüştür. Ayrıca, yapılar aynı hücre/dikme boyutları ve kusurlarla yeniden üretilebildiğinden, katkılı olarak üretilen reçine köpükler, geleneksel olarak üretilen metal köpüklere göre daha az mekanik özellik dağılımına sahiptirÖğe Prediction of gait kinetics from joint angles using machine learning in patients with cerebral palsy(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2023) Özateş, Mustafa ErkamJoint moment and ground reaction force (GRF) during gait provide valuable information for clinical decision-making in patients with cerebral palsy (CP). Joint moments are calculated based on GRF using inverse dynamics models. Obtaining GRF from patients with CP is challenging. Typically developed (TD) individuals' joint moments and GRFs were predicted from joint angles using machine learning (ML), but no such study has been conducted on patients with CP. Accordingly, we aimed to predict the vertical GRF, dorsi plantar flexion, knee flexion-extension, hip flexion-extension, and hip adduction-abduction moments based on the trunk, pelvis, hip, knee, and ankle kinematics during gait in patients with CP and TD individuals using one-dimensional convolutional neural networks. The anonymized retrospective gait data of CP and TD subjects were used. The data were collected in the course of patient care over the last two decades in the Department of Orthopedics and Traumatology of Heidelberg University. For broadening the ML study, we trained specific ML models of ridge regression, random forest, multilayer neural network, k-nearest neighbour, long short term memory neural network algorithms by using manually extracted time domain features and automatically generated features of gait kinematics. Their performances were evaluated and compared using isolated test subject groups based on normalized root mean square error (nRMSE) and Pearson correlation coefficient (PCC). Joint moments were predicted with nRMSE between 18.02% and 13.58% for the CP and between 12.55% and 8.58% for the TD groups, whereas with PCC between 0.90 and 0.96 for the CP and between 0.96 and 0.99 for the TD groups. GRF was predicted with an nRMSE of 7.47% for TD subjects and 11.75% for CP subjects, while with a PCC score of 0.98 for the TD and 0.94 for the CP group. ML algorithms using time domain features and automatically generated features showed similar performance. ML-based joint moment prediction from kinematics could replace conventional moment calculation in CP patients in the future, but the current level of prediction errors restricts its use for clinical decision making today. Keywords: Machine Learning; Cerebral palsy; Gait; Ground reaction force; Joint momenÖğe Egomotion estimation by fusing events and depth(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2023) Subutay, EbruBir robotun kendini konumlandırması, ¸cevresini algılamasıyla ba¸slar. Bir robo tun konumundan bilgi ¸cıkarmak, haritalar olu¸sturmaya, robotun genel konum de?gi¸sikli?gini hesaplamaya yardımcı olur. G¨orsel sens¨orler, d¨unyayı algılarken di?ger sens¨orler i¸cerisinde en anlamlı bilgiyi sa?glarlar. Ancak bu sens¨orler, hızla de?gi¸sen bir arka plana sahip bir depolama alanında kendini konumlandıran otonom bir robot veya bir t¨unelden ¸cıkan otonom bir ara¸c gibi zorlu senary olardan anlamlı bilgiler ¸cıkarmakta zorlanırlar. Bu ¸calı¸sma, otonom ara¸clara, alternatif sens¨orlere (¨orn., LIDAR , GPS) ihtiya¸c duymadan zorlu senaryolarda ¸calı¸smayı iyile¸stirecek ve b¨oylece maliyetleri d¨u¸s¨urecek bir algılama sistemi kazandırmaktadır. Ayrıca, bu ¸calı¸sma insan-robot etkile¸simindeki yaralanma ve kayıpları azaltmayı ama¸clamaktadır. Olay kameraları, yukarıda belirtilen senaryolarda geleneksel kameralara kıyasla ¸cok ¨onemli avantajlar sunar. Olay kameraları, do?gadan ilham alan, insan g¨oz¨un¨u taklit eden sens¨orlerdir. Bu sens¨orler, robotik algı i¸cin ola?gandı¸sı olmasa da, konumlandırma ve ego-hareket tahmini gibi durumlarda olay kameralarının benzersiz ¸cıktısını i¸slemeye y¨onelik teknikler hen¨uz olgunla¸smamı¸stır. Spesifik olarak, bu tez, bilgisayarla g¨orme tekniklerine dayalı poz tahmini ger¸cekle¸stirmek i¸cin bir olay kamerasından ve bir derinlik kamerasından alınan verileri birle¸stirmeyi ¨onermektedir. Ama¸c, otonom bir aracının algılama sistemini olu¸sturmak i¸cin olay ve derinlik kameralarının tamamlayıcı ¨ozelliklerinden yararlanmaktır. Olay kameraları y¨uksek hızlı tepki sa?glarken, derinlik kameraları sahnenin 3B yapısının tahminini basitle¸stirir. De rinlik kamerası, olay kamerasının bir sahnenin 3B temsilini toplamak i¸cin ¨u¸c¨unc¨u boyutu sa?glamasına yardımcı olur, ardından bu 3B koordinatlar poz tahmini i¸cin kullanılabilir. Ama¸c, hareket planlama ve kontrol i¸slemlerinin daha sonra g¨uvenilir bir ¸sekilde ger¸cekle¸stirilebilmesi i¸cin sa?glam bir egomotion sistemi sa?glamaktır. Onerilen yakla¸sımın ¨ozelliklerinin ve performansının, problemin ¨ anla¸sılmasını ve ¸c¨oz¨um¨un¨u ilerletmek i¸cin di?ger ¸calı¸smalarla kar¸sıla¸stırılması ama¸clanmaktadır. Ba¸slangı¸cta Nokta Bulutlarını e¸sle¸stirmek i¸cin kullanılan, iyi bilinen bir y¨ontem olan Yinelemeli En Yakın Noktalar kullanılmı¸stır. Nokta bulutu e¸sle¸stirmesinin sonu¸cları, ardı¸sık iki nokta bulutu arasındaki, onları bir birine e¸sleyebilecek transformasyonlardır. Bu nokta bulutu e¸sle¸stirmesinin ¸cıktısı, kameranın egomotion tahmini yolunu verebilir. Bahsedilen y¨ontemin avantaj ve eksikliklerini belirlemek yoluyla bu ¸calı¸sma bu alanda gelecekteki geli¸smelere yol g¨osterecektir.Öğe Explanatory comparative study of AI models in face expression recognition(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2023) Yenilmez, FulyaThis thesis provides an analysis and comparison of five widely used CNN architec tures in face expression recognition task. The objective is to evaluate the performance of different CNN architectures available in the Keras library for this challenging com puter vision task. The chosen CNN architectures for comparison include VGG19, InceptionV3, ResNet152V2, MobileNetV2, and EfficientNetV2B1. Two different kinds of facial datasets are used in this research. The first dataset is Fer2013, a com monly used dataset in this domain known for its unbalanced structure. The second dataset is the FACES dataset from the Max-Planck Institute, comprising posed im ages of individuals with a balanced structure. Both of these datasets contain labeled face expression images. Pre-processing steps, such as rotation, shift, resizing, and rescaling, are applied to these images. Since this is a comparative analysis study, the same transfer learning steps are applied to all models. The results from this training are evaluated using test accuracy, which is necessary for analyzing every aspect of the study. To ensure a fair comparison, the same transfer learning steps are applied to all models. The models are trained by dividing the dataset into three sets; training data set, validation data set, and test data set. The comparative study reveals that each CNN architecture exhibits different levels of performance in facial expression recognition tasks. The study provides significant knowledge about the strengths and weaknesses of each CNN architecture in face ex pression recognition. Overall, this comparison study provides clarity on the effectiveness of VGG19, In ceptionV3, ResNet152V2, MobileNetv2, and EfficientNetV2B1 architectures in rec ognizing facial expressions. It serves as a valuable resource for researchers in the fields of computer vision and expression analysisÖğe Predicting ground reaction forces during normal gait by solving tracking optimization problem(Türk-Alman Üniversitesi Fen Bilimler Enstitüsü, 2024) Atmaca, KerimGround Reaction Force (GRF) is a central biomechanical parameter in gaitanalysis, critical for understanding human locomotion mechanics. Traditional methods for GRF data acquisition, though precise, are often constrained by their resource-intensive nature. In response to these limitations, recent research has explored alternative approaches using musculoskeletal models and machine learning algorithms for GRF prediction. This thesis contributes to these efforts by presenting an approach that employs a tracking optimization problem frame work to predict GRF in human gait analysis. This study, grounded in biome chanics, leverages computational tools to analyze gait data from 10 healthy individuals aged between 14 and 54. Opensim, a state-of-the-art biomechanics simulation software, was utilized for modeling and simulation tasks. This pro cess involved biomechanically scaling individual-specific musculoskeletal models based on static pose marker data and employing inverse kinematics for determin ing joint angle trajectories. These kinematic trajectories were then inputted into a tracking optimization algorithm, designed to predict GRF. The biomechanical effectiveness of this approach was validated through its strong correlation with normative kinetic data, achieving an average Pearson Correlation Coefficient (PCC) of 0.88 and a Normalized Root Mean Square Error (NRMSE) of 0.12 . The results demonstrate the effectiveness of this integrated method in biome chanical gait analysis and suggest potential applicability in clinical settings for patient rehabilitation and care. However, to fully ascertain this method’s biome chanical accuracy and clinical utility, further validation in a broader population is necessary. This study represents an effort to blend biomechanical knowledge with advanced computational techniques, aiming to improve the practicality and accessibility of gait analysis in healthcare and research environments.
