Search

© TÜBİTAK.Background/aim: Attention deficit hyperactivity disorder (ADHD), one of the most common neurodevelopmental disorders in childhood, is diagnosed clinically by assessing the symptoms of inattention, hyperactivity, and impulsivity. Also, there are limited objective assessment tools to support the diagnosis. Thus, in this study, a new electrooculography (EOG) based on visual stimulus tracking to support the diagnosis of ADHD was proposed. Materials and methods: Reference stimulus one-to-one tracking numbers (RSOT) and colour game detection (CGD) were applied to 53 medication-free children with ADHD and 36 healthy controls (HCs). Also, the test was applied six months after the treatment to children with ADHD. Parameters obtained during the visual stimulus tracking test were analyzed and Higuchi fractal dimension (HFD) and Hjorth parameters were calculated for all EOG records. Results: The average test success rate was higher in HCs than in children with ADHD. Based on machine learning algorithms, the proposed system can distinguish drug-free ADHD patients from HCs with an 89.13% classification performance and also distinguish drug-free children from treated children with an 80.47% classification performance. Conclusion: The findings showed that the proposed system could be helpful to support the diagnosis of ADHD and the follow-up of the treatment.

The coronavirus disease, namely Covid-19 infection, which was declared a worldwide epidemic by the World Health Organization (WHO) in 2020, was first seen in Wuhan, China in the last months of 2019 and has affected the whole world. Early diagnosis of this rapidly spreading epidemic is important to prevent the disease. For this reason, methods such as image processing, deep learning, and machine learning have become important to detect the epidemic early. In this study, it has been tried to classify individuals who test positive and negative for Covid-19 based on some laboratory test results with several Decision Tree methods. Since the original form of the data set has an uneven distribution, the data set has been balanced by applying the oversampling and undersampling methods used for such data sets as a pre-processing study. Balanced dataset and original dataset using 5-Fold Cross Validation (CV), 10-Fold Cross Validation and Leave-One-Out (LOO)-CV, Random Forest (RF), Random Tree (RT), J48, ıt was analyzed with alternating decision tree (ADTree) and Function Trees (FT) classifiers. As a result of the examination, the most successful result was shown by the RF classifier with 87.5% success rates using CV-5 in the original data set, 93.3% using CV-10 and LOO-CV in the oversampling method, and 79% using CV-5 in the undersampling method. In addition to success rates, sensitivity-specificity metrics, which are important for patient and healthy diagnosis, were examined in terms of each classification algorithm and CV value., 2020 yılında Dünya Sağlık Örgütü (WHO) tarafından dünya çapında salgın ilan edilen koronavirüs hastalığı yani Covid-19 enfeksiyonu, ilk olarak 2019 yılının son aylarında Çin'in Wuhan kentinde görülmüş ve tüm dünyayı etkisi altına almıştır. Hızla yayılan bu salgının erken teşhisi, hastalıktan korunmak için önemlidir. Bu nedenle görüntü işleme, derin öğrenme, makine öğrenmesi gibi yöntemler salgını erken tespit etmek için önemli hale geldi. Bu çalışmada çeşitli Karar Ağacı yöntemleri ile bazı laboratuvar test sonuçlarına göre Covid-19 testi pozitif ve negatif çıkan bireyler sınıflandırılmaya çalışılmıştır. Veri setinin orijinal formu eşit olmayan bir dağılıma sahip olduğundan, bu tür veri setleri için kullanılan aşırı örnekleme ve eksik örnekleme yöntemleri bir ön işleme çalışması olarak uygulanarak veri seti dengelenmiştir. Dengeli hale getirilen veri seti ve orjinal veri seti 5-Fold Cross Validation (CV) , 10-Fold Cross Validation ve Leave-One-Out (LOO)-CV kullanılarak Random Forest (RF), Random Tree (RT), J48, Alternating decision tree (ADTree) ve Function Trees (FT) sınıflandırıcıları ile incelenmiştir. İnceleme sonucunda en başarılı sonuç orijinal veri setinde CV-5 kullanılarak %87,5, aşırı örnekleme yönteminde CV-10 ve LOO-CV kullanılarak %93,3 ve eksik örnekleme yönteminde CV-5 kullanılarak %79 ile RF sınıflandırıcısı göstermiştir. Başarı oranlarının yanı sıra hasta ve sağlıklı teşhisi için önemli olan duyarlılık-özgüllük metrik değerleri her bir sınıflandırma algoritması ve CV değeri bakımından incelenmiştir.

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., Schizophrenia (SZ) is a neuropsychiatric disease that affects many people around the world and causes death if not diagnosed and treated early. One of the commonly used methods for early diagnosis is electroencephalography (EEG). The application of signal processing and machine learning methods to EEG signals can support experts and researchers who want to determine SZ disease. In this study, event-related potential (ERP) signals were obtained from the recorded EEG signals as a result of sending auditory stimuli to the SZ patient and healthy control (HC) group. P300 amplitude-latency, hjorth parameters and entropy values were calculated as features from these signals. The features obtained were evaluated with Support Vector Machines (SVM), K-Nearest Neighbor (KNN) and Artificial Neural Networks (ANN) classifiers to distinguish SZ patients from the HC group. In this study, the most successful result was obtained in the ANN classifier with an accuracy rate of 93.9%.

In this study, atomic orbital search, one of the newly proposed metaheuristic algorithms, is used to design high-performance and low-order FIR filters in MATLAB. The performance parameters of the designed filter were compared with the given literature. The objective function of filter design includes minimization of pass band ripples and stopband ripples, stop band edge frequency attenuation, square sum of the errors between the estimated frequency response and the ideal filter response. The comparison result shows the proposed method performs better than most algorithms and can be used in practical applications., Bu çalışmada, MATLAB ortamında yüksek performanslı ve düşük dereceli FIR filtreleri tasarlamak için yeni önerilen metasezgisel algoritmalardan biri olan atomik yörünge araması kullanılmıştır. Tasarlanan filtrenin performans parametreleri verilen literatür ile karşılaştırılmıştır. Filtre tasarımının amaç fonksiyonu, geçiş bandı dalgalanmalarının ve durdurma bandı dalgalanmalarının minimizasyonunu, durdurma bandı kenar frekans zayıflamasını, tahmini frekans yanıtı ile ideal filtre yanıtı arasındaki hataların karesel toplamını içerir. Karşılaştırma sonucu, önerilen yöntemin çoğu algoritmadan daha iyi performans gösterdiğini ve pratik uygulamalarda kullanılabileceğini göstermektedir.

In recent years, some electrophysiological analysis methods of consciousness have been proposed. Most of these studies are based on visual interpretation or statistical analysis, and there is hardly any work classifying the level of consciousness in a deep coma. In this study, we perform an analysis of electroencephalography complexity measures by quantifying features efficiency in differentiating patients in different consciousness levels. Several measures of complexity have been proposed to quantify the complexity of signals. Our aim is to lay the foundation of a system that will objectively define the level of consciousness by performing a complexity analysis of Electroencephalogram (EEG) signals. Therefore, a nonlinear analysis of EEG signals obtained with a recording scheme proposed by us from 39 patients with Glasgow Coma Scale (GCS) between 3 and 8 was performed. Various entropy values (approximate entropy, permutation entropy, etc.) obtained from different algorithms, Hjorth parameters, Lempel–Ziv complexity and Kolmogorov complexity values were extracted from the signals as features. The features were analyzed statistically and the success of features in classifying different levels of consciousness was measured by various classifiers. Consequently, levels of consciousness in deep coma (GCS between 3 and 8) were classified with an accuracy of 90.3%. To the authors’ best knowledge, this is the first demonstration of the discriminative nonlinear features extracted from tactile and auditory stimuli EEG signals in distinguishing different GCSs of comatose patients.

Enzymes that act as biological catalysts are classified according to the reaction type and mechanism they catalyze, while subclasses are formed under each class according to their substrate selectivity. At the same time, structural, chemical and connectivity features are important in the classification of enzymes. Predicting enzyme function is important in helping to design new enzymes and in diagnosing enzyme-related diseases. While a significant majority of enzymes carry out certain reactions, a limited number of enzymes can perform different reactions. Therefore, it can be directly associated with more than one enzymatic function. In this study, it was aimed to predict the enzymatic function by binary and multi-label classification. It has been observed that more successful results the use of chemical properties in have emerged in the classification of enzymes. However, it was observed that the classification performance increased even more when all features were used. When the success of the models used for enzymatic function estimation was examined, it was seen that the Deep Learning models had higher both binary and multi-label classification performance. As a result, it has been demonstrated that the proposed models are an important tool in the classification of enzymatic functions., Biyolojik katilazör olarak görev yapan enzimler katalizlediği tepkime türüne ve mekanizmasına göre sınıflandırılırken her sınıf altında substrat seçiciliği durumlarına göre de alt sınıflar oluşturulmuştur. Aynı zamanda enzimlerin sınıflandırılmasında yapısal, kimyasal ve bağlantısallık özellikleri önemli olmaktadır. Enzim fonksiyonunu tahmini yeni enzimlerin tasarlamalarına yardımcı olmak ve enzimle ilişkili hastalıkları teşhisinde önemli olmaktadır. Enzimlerin önemli bir çoğunluğu belirli reaksiyonları gerçekleştiriken, sınırlı sayıda enzim farklı reaksiyonlar gerçekleştirebilmektedir. Bu nedenle birden fazla enzimatik fonksiyonla doğrudan ilişkilendirilebilmektedir.Gerçekleştirilen bu çalışmada enzimatik fonksiyonun ikili ve çok etiketli sınıflandırma ile tahmini amaçlanmıştır. Enzimlerin sınıflandırılmasında daha başarılı sonuçların kimyasal özelliklerin kullanılmasında ortaya çıktığı görülmüştür. Ancak tüm özelliklerin kullanılması durumunda sınıflandırma performansının daha da arttığı görülmüştür. Enzimatik fonksiyon tahmnine yönelik kullanılan modellerin başarısı incelendiğinde Derin Öğrenme modellerinin hem ikili hemde çok etiketli sınıflandırma performansının daha yüksek olduğu görülmüştür. Sonuç olarak önerilen modellerinin enzimatik fonksiyonların sınıflandırılmasında önemli bir araç olduğu ortaya konmuştur.

Damages that may occur in the liver, which has an important task for the human body, can cause fatal consequences. For this reason, early diagnosis of liver disease is important. In this study, liver disease was tried to be diagnosed by using Ensemble learning methods, depending on several clinical values obtained from liver patients and healthy blood donors. In this context, Random Forest (RF), J48, AdaBoost, Gradient Boosting Classifiers (GBC), and Light Gradient Boosting Machine (Light GBM) algorithms from bagging and boosting models were used. The most successful classification result was obtained with the Light GBM algorithm as 98.8%, 98.1%, 99.4%, and 0.98%, respectively, in terms of accuracy, precision, recall, and kappa statistics using 10-fold cross-validation.

Bu çalışmada alt bant kodlama, görüntü, video veya ses sıkıştırma, spektral tahmin, biyolojik sinyal işleme ve uyarlanabilir sinyal işleme gibi pek çok alanda kullanılan çok kanallı tek düze neredeyse mükemmel kosinüs modüleli süzgeç bankası (NPR CMFB) tasarlanmıştır. Bu amaç kapsamında prototip süzgeç sonlu darbe yanıtlı süzgeç (FIR) yapısında tasarlanmıştır ve süzgeç katsayıları hedeflenen süzgeç bankasının tüm kanallarının frekans özellikleri kullanılarak gri kurt optimizasyon algoritması ve bu çalışma ile önerilen objektif fonksiyon kullanarak optimize edilmiştir. Süzgeç bankasının tasarlanması aşamasında amaç fonksiyon Tepe yeniden oluşturma hatası (PRE) ve hedeflenen süzgeç bankası ile tasarlanan süzgeç bankası arasındaki mutlak hatanın toplamı göz önünde bulundurularak elde edilmiştir. Tasarlanan filtrenin performansı durdurma bandı kazancı ve PRE parametreleri ile ortaya konmuştur.

© 2020 IEEE.The Squirrel Search Algorithm, one of the newly introduced metaheuristic algorithm, has been applied for high performance and low grade FIR filter design in MATLAB environment and the results of this design are shared.