Search

Glaucoma is a common eye disease that damages the optic nerve and leads to loss of vision. The disease shows few symptoms in the early stages, making its identification a complex task. To overcome the challenges associated with this task, this study aimed to tackle the localization and segmentation of the optic disc, as well as the classification of glaucoma. For the optic disc segmentation, we propose a novel metaheuristic approach called Grey Wolf Optimization (GWO). Two different approaches are used for glaucoma classification: a one-stage approach, in which the whole image without cropping is used for classification, and a two-stage approach. In the two-stage approach, the optic disc region is detected using the You Only Look Once (YOLO) detection algorithm. Once the optic disc region of interest (ROI) is identified, glaucoma classification is performed using pre-trained convolutional neural networks (CNNs) and vision transformation techniques. In addition, both the one-stage and the two-stage approaches are applied in combination with the pre-trained CNN using the Random Forest algorithm. In segmentation, GWO achieved an average sensitivity of 96.04%, a specificity of 99.58%, an accuracy of 99.39%, a DICE coefficient of 94.15%, and a Jaccard index of 90.4% on the Drishti-GS dataset. For classification, the proposed method achieved remarkable results with a high-test accuracy of 100% and 88.18% for hold-out validation and three-fold cross-validation for the Drishti-GS dataset, and 96.15% and 93.84% for ORIGA with hold-out and five-fold cross-validation, respectively. Comparing the results with previous studies, the proposed CNN model outperforms them. In addition, the use of the Swin transformer shows its effectiveness in classifying glaucoma in different subsets of the data.

Şeker hastalığı, kan şekerinde anormalliklere neden olan zararlı hastalıklardan biridir. Bu hastalığın erken teşhisi insan vücudunda oluşabilecek organ bozulmalarını engeller. Yapay zekâ tabanlı çalışmalar medikal alanda etkin bir şekilde gerçekleştirilmektedir. Makine öğrenmesine dayalı bilgisayar destekli uzman sistemler bu hastalığın erken teşhisi için oldukça faydalıdır. Bu çalışmadaki şeker hastalığı problemi, klasik bir denetimli ikili sınıflandırma problemidir. Bu verisetinde 16 öznitelik bulunmakta olup, 200'ü negatif örnek ve 320'si pozitif örnek olmak üzere toplam 520 örnek içermektedir. Önişlemden geçirilen veriseti üzerinde Rastgele Orman, Gradyan Arttırma, K-En Yakın Komşu, Derin Sinir Ağları ve son olarak da Oylama topluluk sınıflandırıcısı kullanılarak inşa edilen modellerin performansları dışarıda tutma ve 5-kat çapraz doğrulama senaryoları çerçevesinde analiz edilmiştir. Her iki senaryoda da, Oylama topluluğu sınıflandırıcısı, deneylerde en iyi performansı sundu. Buna göre, Oylama topluluğu sınıflandırıcısı, tutma tekniğiyle yapılan deneylerde %100'lük bir sınıflandırma doğruluğu ve 5 kat çapraz doğrulamalı deneylerde ortalama %97,31'lik bir sınıflandırma doğruluğu sundu. Sonuç olarak, Oylama topluluğu sınıflandırıcısı kullanılarak diyabeti gerçek zamanlı olarak erken teşhis eden bir uzman sistem tasarlanabilir.

Bu çalışmadaki amaç patlama sonucunda meydana gelen yüksek basınç dalgasını modelleyen bir simülasyon yazılımı geliştirmek ve bu simülasyon yazılımından elde edilen veri setini kullanarak derin sinir ağı ile basınç dalgası parametrelerini tahmin etmektir. Geliştirilen simülasyon yazılımı ile askeri alanda gerçekleştirilecek ana unsuru patlayıcı olan faaliyetlerin insan ve yapılar üzerindeki çevresel etkileri ortaya konulmaktadır. Kullanıcı tarafından belirlenen patlayıcı tipi, patlayıcı ağırlığı ve mesafe parametreleri girilerek basınç dalgası parametreleri hesaplanmaktadır. Basınç dalgası parametreleri hesaplanırken yazılım üzerinde matematiksel model veya derin sinir ağı modeli seçimi yapılabilmektedir. Üç boyutlu gösterim alanı veya harita üzerinde seçilen konum üzerinde basınç etkileri, basınç etki alanları, insan ve yapılar üzerindeki etkileri gösterilmektedir. Ayrıca geliştirilen yazılım birçok amaç için kullanılabilecek niteliktedir. Bunlardan bazıları; (i) askeri alanda stratejik bilginin hızlı ve kolay bir şekilde sağlanması, (ii) ideal patlayıcı yükünün bulunması, (iii) terör faaliyetlerinde kullanılan patlayıcı yüklerinin çevresel etkilerinin analiz edilmesi ve önlemlerin alınması, (iv) askeri operasyonlarda kullanılan patlayıcıların insan ve yapılar üzerindeki etkilerin tahmin edilmesi, (v) askeri alanda gerçekleştirilecek operasyonlarda belirlenen hedefe atılacak patlayıcı yükünün optimum seviyede belirlenmesi. Geliştirilen 3 boyutlu simülasyon ortamının patlama sonrası meydana gelen aşırı basınç dalgası parametrelerini doğru bir şekilde tahmin ederek, insan ve yapılar üzerindeki etkilerini etkili bir şekilde simüle ettiği gözlenmiştir. Bunun yanı sıra, çalışmada basınç verisi Derin Sinir Ağı ile de tahmin edilmiştir. Yazılım tarafından oluşturulan sentetik veri setleri ile derin sinir ağı modelinin eğitim ve test işlemleri gerçekleştirilmiştir. Seçilen patlayıcı tipine göre oluşturulan derin sinir ağı modeli ile yarı küresel patlamalar sonucu ortaya çıkan blast dalgası (aşırı basınç dalgası) parametreleri başarılı bir şekilde tahmin edilmiştir.

Learning analytics is quickly evolving. Old fashioned dashboards with descriptive information and trends about what happened in the past are slightly substituted by new dashboards with forecasting information and predicting relevant outcomes about learning. Artificial intelligence is aiding this revolution. The accessibility to computational resources has increased, and specific tools and packages for integrating artificial intelligence techniques leverage such new analytical tools. However, it is crucial to develop trustworthy systems, especially in education where skepticism about their application is due to the risk of teachers’ replacement. However, artificial intelligence systems should be seen as companions to empower teachers during the teaching and learning process. During the past years, the Universitat Oberta de Catalunya has advanced developing a data mart where all data about learners and campus utilization are stored for research purposes. The extensive collection of these educational data has been used to build a trustworthy early warning system whose infrastructure is introduced in this paper. The infrastructure supports such a trustworthy system built with artificial intelligence procedures to detect at-risk learners early on in order to help them to pass the course. To assess the system’s trustworthiness, we carried out an evaluation on the basis of the seven requirements of the European Assessment List for trustworthy artificial intelligence (ALTAI) guidelines that recognize an artificial intelligence system as a trustworthy one. Results show that it is feasible to build a trustworthy system wherein all seven ALTAI requirements are considered at once from the very beginning during the design phase.

Ülkemizde kentsel dönüşüm kapsamında yıkılacak birçok eski veya hasar görmüş yapı olması, yeni yıkım tekniklerinin arayışına girilmesine sebep olmuştur. Yurt dışında yıllardır başarılı bir şekilde uygulanan patlayıcı ile kontrollü yapı yıkımı, avantajları düşünüldüğünde dikkate değer bir tekniktir.Bu çalışmada, Edirne Kapıkule Gümrük Lojman Binası’nın patlayıcı kullanılarak kontrollü yıkımı gerçekleştirilmiştir. Bu amaç doğrultusunda, hali hazırda bulunmayan bina planı şerit metre kullanılarak çıkarılmış ve bilgisayar ortamında 3 boyutlu modeli oluşturulmuştur. Binaya ait betonarme malzeme özellikleri laboratuvar çalışmaları sonucunda belirlenmiş ve binanın statik durumu hakkında bilgi edinilmiştir. Bina kolonlarında deneme atımları gerçekleştirilerek kolon başına düşen şarj miktarı hesaplanmıştır. Bu bilgiler ışığında yıkım tasarımı önerilmiştir. Önerilen yıkım tasarımı, bir sonlu elemanlar programı kullanılarak oluşturulan bina modeli üzerinde test edilmiştir. Oluşturulan simulasyon modelinde binanın davranışı ve kolonlara etkiyen moment ve basınç yükleri tespit edilmiştir. Kolonlara etkiyen yükler, kolonların taşıma kapasitesi ile karşılaştırılarak, kolonların deformasyon derecesi öngörülmüştür. Yıkım sonrası binanın durumu incelenerek öngörülen deformasyonun meydana gelip gelmediği incelenmiştir. Patlayıcı madde kullanılarak yıkım gerçekleştirildikten sonra, yıkımın amacına hizmet ettiği görülmüştür. Ancak patlayıcı konulmayan yapı elemanlarında öngörülen deformasyonun olmadığı gözlemlenmiş, bunun sebepleri irdelenmiştir. Yıkım sonucu, komşu yapılarda herhangi bir hasar oluşmamış, yıkımdan kaynaklanan yer sarsıntılarının betonarme yapılara hasar verici boyutta olmadığı ölçülmüştür.Çalışma sonunda, makineli yıkım ile patlayıcı madde kullanılarak gerçekleştirilen yıkım maliyet açısından karşılaştırılmıştır. Kat sayısının azlığı ve sıralı patlatma ateşleme süresinin kısa olmasından dolayı makineli yıkımın daha avantajlı olduğu sonucuna ulaşılmıştır.

Artificial intelligence has impacted education in recent years. Datafication of education has allowed developing automated methods to detect patterns in extensive collections of educational data to estimate unknown information and behavior about the students. This research has focused on finding accurate predictive models to identify at-risk students. This challenge may reduce the students’ risk of failure or disengage by decreasing the time lag between identification and the real at-risk state. The contribution of this paper is threefold. First, an in-depth analysis of a predictive model to detect at-risk students is performed. This model has been tested using data available in an institutional data mart where curated data from six semesters are available, and a method to obtain the best classifier and training set is proposed. Second, a method to determine a threshold for evaluating the quality of the predictive model is established. Third, an early warning system has been developed and tested in a real educational setting being accurate and useful for its purpose to detect at-risk students in online higher education. The stakeholders (i.e., students and teachers) can analyze the information through different dashboards, and teachers can also send early feedback as an intervention mechanism to mitigate at-risk situations. The system has been evaluated on two undergraduate courses where results shown a high accuracy to correctly detect at-risk students.