Sürdürülebilir Kalkınma Amaçları
Yayınlar
- BildiriAçık Erişim2025Toplam Elektron Içeriǧi ve Uzay Iklim Verileri Kullanilarak Transfer Öǧrenme ile Deprem Öncüllerinin Analizi
Uyanik, Hakan; Şentürk, Erman; Köküm, Mehmet; Özçelik, Salih Taha Alperen; Akpinar, Muhammed Halil; Şengür, Abdulkadir
The stress changes occurring in the Earth's crust before earthquakes may cause some anomalies in the ionosphere and cause significant changes in the Total Electron Content (TEC) and Space Climate (SCC) parameters. The analysis of these changes offers a significant potential in the detection of earthquake precursors. In this study, the analysis of earthquake precursors was performed using TEC and UC data and the effectiveness of transfer learning and machine learning techniques was investigated. Features were extracted from five-day TEC and UC data using a pre-trained Multi-Input One-Dimensional Convolutional Mixer Network (ÇG-TB-EMA) and these features were classified with different machine learning algorithms. Within the scope of the study, earthquakes with a magnitude of Mw≥6.0 that occurred during the low and high solar activity periods of the 24th solar cycle were analyzed. The earthquakes were selected from the Far East region between 10°S-45°N latitudes and 120°E-160°E longitudes, where intense seismic activity is observed. Experimental studies have shown that during the low solar activity period, support vector machines (SVM) and artificial neural networks (ANN) models exhibited the highest performance with 96.04% accuracy and 96.08% F1 score, respectively. During the high solar activity period, the classification success decreased slightly, and SVM and ANN models achieved the best results with 90.28% accuracy and 89.86% F1 score. These findings reveal that the effect of solar activity on ionospheric variables should be taken into account in earthquake precursor detection. For future studies, long-term analyses are recommended to better understand the effects of solar activity.
- MakaleAçık Erişim2025Scopus SJRQ2Hybrid CNN-Transformer Model for Accurate Impacted Tooth Detection in Panoramic Radiographs
Küçük, Deniz Bora; Imak, Andaç; Özçelik, Salih Taha Alperen; Çelebi, Adalet; Türkoğlu, Muammer; Sengur, Abdulkadir; Koundal, Deepika
Background/Objectives: The integration of digital imaging technologies in dentistry has revolutionized diagnostic and treatment practices, with panoramic radiographs playing a crucial role in detecting impacted teeth. Manual interpretation of these images is time consuming and error prone, highlighting the need for automated, accurate solutions. This study proposes an artificial intelligence (AI)-based model for detecting impacted teeth in panoramic radiographs, aiming to enhance accuracy and reliability. Methods: The proposed model combines YOLO (You Only Look Once) and RT-DETR (Real-Time Detection Transformer) models to leverage their strengths in real-time object detection and learning long-range dependencies, respectively. The integration is further optimized with the Weighted Boxes Fusion (WBF) algorithm, where WBF parameters are tuned using Bayesian optimization. A dataset of 407 labeled panoramic radiographs was used to evaluate the model’s performance. Results: The model achieved a mean average precision (mAP) of 98.3% and an F1 score of 96%, significantly outperforming individual models and other combinations. The results were expressed through key performance metrics, such as mAP and F1 scores, which highlight the model’s balance between precision and recall. Visual and numerical analyses demonstrated superior performance, with enhanced sensitivity and minimized false positive rates. Conclusions: This study presents a scalable and reliable AI-based solution for detecting impacted teeth in panoramic radiographs, offering substantial improvements in diagnostic accuracy and efficiency. The proposed model has potential for widespread application in clinical dentistry, reducing manual workload and error rates. Future research will focus on expanding the dataset and further refining the model’s generalizability.
AtıfScopus36OpenAlex34
İncele - MakaleAçık Erişim2024Convmixer ve SDD Kullanılarak DEHB Hastalığının EEG Sinyalleri ile Otomatik Olarak Tespit Edilmesi
Sengur, Abdulkadir; Üzen, Hüseyin; Özçelik, Salih Taha Alperen; Uyanik, Hakan; Karakaş, Buğra
DEHB, çocuklarda dikkat eksikliği, davranış problemleri, eğitimle ilgili sorunlar ve düşük özgüven gibi problemler oluşturabilir. Bu çalışma, Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) teşhisini elektroensefalografi (EEG) sinyalleriyle değerlendirmeyi hedefleyen bir araştırmayı özetlemektedir. Araştırma, 30 DEHB tanısı almış çocuk ve 30 sağlıklı kontrol grubunun EEG verilerini kullanmıştır. EEG verileri öncelikle gürültü azaltma amacıyla işlenmiş ve ardından ConvMixer, ResNet50 ve ResNet18 gibi derin öğrenme modelleri kullanılarak sınıflandırılmıştır. Bulgular, ConvMixer'in düşük hesaplama kaynaklarına ihtiyaç duyarak yüksek sınıflandırma başarısı elde ettiğini göstermektedir. Ayrıca, EEG sinyallerinin DEHB teşhisinde kullanılabilirliği konusunda farklı kanalların etkileri incelenmiş ve T8 kanalının özellikle etkili olduğu tespit edilmiştir. Bu çalışma, EEG tabanlı DEHB teşhisi için daha hafif modellerin kullanılabilirliğini ve EEG kanallarının önemini vurgulamaktadır.
AtıfOpenAlex1
İncele - MakaleAçık Erişim2023Balistokardiyografi sinyalleri ile derin öğrenme tabanlı hipertansiyon tespiti
Sengur, Abdulkadir; Özçelik, Salih Taha Alperen; Uyanik, Hakan
Kan basıncı, damarlardaki kanın damar duvarlarına uyguladığı basınçtır. Bu basınç değerinin normal kabul edilen seviyelerin üzerinde seyir etmesi yüksek tansiyon (YT) veya hipertansiyon (HPT) olarak bilinir. Hayat kalitesini negatif yönde etkileyen, çoğu zaman organlarda çeşitli tahribatlara sebep olan ve ölümlere yol açabilen bu sağlık probleminin teşhisi oldukça önemlidir. Bu çalışmada, balistokardiyografi (BKG) sinyalleri kullanılarak HPT'nin otomatik teşhisine yönelik bir yöntem önerilmiştir. Bunun için BKG sinyalleri, sürekli dalgacık dönüşümü filtre bankası (SDDFB) yöntemi kullanılarak zaman-frekans domenine taşınmıştır. Bu işlemler yapılırken kullanılan dönüşüm yönteminde bazı parametre ayarları gerçekleştirilerek dönüşümün kalitesi arttırılmıştır. Daha sonra elde edilen görüntüler ResNet18, ResNet50, VGG16 ve AlexNet evrişimsel sinir ağlarıyla sınıflandırılmış ve elde edilen sonuçlar karşılaştırılmıştır. Önerilen yöntem ile ResNet18, ResNet50, VGG16 ve AlexNet mimarileri için sırasıyla %98,92, %99,34 ve %99,22 ve %98,07 sınıflandırma doğruluğu elde etmiştir. Elde edilen bu yüksek sınıflandırma sonuçları önerilen yöntemin hipertansiyon teşhisi için kullanılabileceğini ispatlar niteliktedir.
- MakaleAçık Erişim2023Bir Boyutlu Evrişimsel Sinir Ağı Yardımıyla Faz Kilitleme Değeri ve Diferansiyel Entropi Özellikleri Kullanılarak EEG Sinyallerinde Duygu Tanınması
Sengur, Abdulkadir; Özçelik, Salih Taha Alperen; Uyanik, Hakan
Duygu analizi günümüz bilim dünyasında üzerinde en çok araştırma yapılan alanların başında gelmektedir. Özellikle insan-bilgisayar etkileşimi gibi günlük hayatımıza her geçen gün daha çok dahil olan alanların yanı sıra nörobilim ve psikoloji gibi bilim dallarının da yakından incelediği bir konudur. Duygu analizi için konuşma sinyalleri, mimikler, vücut dili, yüz ifadeleri gibi yöntemler kullanılsa da bu yöntemler manipülasyona açık oldukları için biyolojik sinyaller kadar güvenilir sonuçlar vermezler. Bu çalışmada sanal gerçeklik (SG) teknolojisi yardımıyla hazırlanmış, biyoelektriksel bir sinyal olan elektroansefalografi (EEG) sinyalleri ile duygu tanıma için yeni bir yöntem önerilmiştir. Bu yöntemde EEG sinyallerinin alt bantlarının diferansiyel entropi (DE) ve faz kilitleme değeri (FKD) özellikleri, tasarlanan bir boyutlu evrişimsel sinir ağı (1B-ESA) yardımı ile pozitif ve negatif duyguların tanınması için kullanılmıştır. Her iki özellik yardımıyla elde edilen özellik matrisleri on defa teste tâbi tutularak ortalama başarı değerleri elde edilmiştir. Bu testler sonucunda DE ve FKD özellikleri ile en yüksek ortalama başarı puanları, tüm alt bant özellik matrislerinin birleştirilmesi ile sırasıyla %74,0611,41 ve %63,75901,72 olarak elde edilmiştir. Ayrıca çalışmada elde edilen yüksek frekanstaki sinyal bileşenlerine ait testlerin başarı oranlarının düşük frekans bantlarına göre daha yüksek elde edilmesi daha önce bu alanda yapılan benzer çalışmaların sonuçlarını destekler nitelikte olmuştur.
AtıfOpenAlex2TR Dizin1İncele