Browsing by Author "Gölcük, Adem"

Now showing 1 - 4 of 4

Ağırlığa Duyarlı Sıcaklık Kontrollü Fırın Tasarımı ve Gerçekleştirilmesi
(Konya Teknik Üniversitesi, 2019) Hansu, Abdulazim; Gölcük, Adem
Dünyada, enerjinin daha verimli kullanılması amacıyla yüksek enerji verimine sahip ve kullanım kolaylığı sağlayan fırınlar üzerindeki çalışmalar gün geçtikçe artmaktadır. Günümüzde, elektrikli fırınlarda kontrol yöntemleri geliştirilmekte ve kontrolü sağlamak için kullanılan veriler artırılmaktadır. Bu çalışmada; elektrikli fırınlarda enerji tüketimi, pişirme süresi, pişirme programları ve pişirme kalitesi gibi özellikleri etkileyen unsurların belirlenmesi amacıyla çeşitli makaleler ve patentler incelenmiştir. Yapılan incelemeler sonucunda fırınlarda pişirme sıcaklıkları, pişirme programları ve pişirme süresine yönelik bilgi elde edilmiştir. Bu konuya mühendislik bakış açısı ile yaklaşarak ve pişirilecek olan cismin ağırlığını dikkate alarak sıcaklık kontrolü yapılabilen ve pişirme süresi ayarlanabilen PLC kontrollü, dokunmatik ekranlı elektrikli fırın tasarlanmıştır. Kullanıcı sıcaklık kontrolünü, pişirme süresini ve pişirme programını dokunmatik ekran ile ayarlayabilmektedir. Kullanıcı dokunmatik ekran üzerinden pişme sürecini grafiksel olarak takip edebilmekte ve aynı grafikteki verileri de kayıt altına alabilmektedir. Bu çalışmada, ekmek hamurunun pişme sürecindeki ağırlığının sıcaklığa göre değişimi incelenmiştir. Aynı ekmek hamurunun farklı gramajları benzer sıcaklıklarda pişirilmiş ve pişme süreleri arasındaki farklar karşılaştırılmıştır. Bu çalışmalardan elde edilen verilere göre akıllı fırın tasarlanmış ve pişirme programları oluşturulmuştur.
Designing a System That Records the Sleeping Position Data of Sleep Apnea Patients
(2022) Vatansev, Hülya; Vatansev, Hüsamettin; Gölcük, Adem; Taşdemir, Şakir; Balcı, Mehmet; Küçüktürk, Serkan
Sleeping positions have a significant impact on exposure of apnea patients to sleep apnea. In this study, the sleeping position of the patient was read with the STM microcontroller by using the body position sensor (SleepSense 1/8" Plug DC Body Position Sensor Kit) produced by the sleep sense company. This sensor produces results with analog signals between 0-2V. This analog signal was read using the ADC feature of the microcontroller. This signal read by the microcontroller was sent to the computer via the USB port. The C# software prepared on the computer reads the data from the microcontroller and saves this data and the arrival time of the data to the bit TXT file. The data in this TXT file is ready to be evaluated by signal processing methods. These data, together with other data obtained from the polysomnography device, can be used to learn the body position of the patient at the time of apnea.
Citation - WoS: 8
Citation - Scopus: 10
Machine Learning-Based Detection of Sleep-Disordered Breathing Type Using Time and Time-Frequency Features
(Elsevier Sci Ltd, 2022) Balcı, Mehmet; Taşdemir, Şakir; Özmen, Güzin; Gölcük, Adem
Sleep-disordered breathing is a disease that many people experience unconsciously and can have very serious consequences that can result in death. Therefore, it is extremely important to analyze the data obtained from the patient during sleep. It has become inevitable to use computer technologies in the diagnosis or treatment of many diseases in the medical field. Especially, advanced software using artificial intelligence methods in the diagnosis and decision-making processes of physicians is becoming increasingly widespread. In this study, we aimed to classify the sleep-disordered breathing type by using machine learning techniques utilizing time and time- fre-quency domain features. We used Pressure Flow, ECG, Pressure Snore, SpO2, Pulse and Thorax data from among the polysomnography records of 19 patients. We employed digital signal processing methods for six types of physiological data and obtained a total of 35 features using different feature extraction methods for five different classes (Normal, Hypopnea, Obstructive Apnea, Mixed Apnea, Central Apnea). Finally, we applied machine learning algorithms (Artificial Neural Network, Support Vector Machine, Random Forest, Naive Bayes, K Nearest Neighborhood, Decision Tree and Logistic Regression) on 5-class and 35-feature data sets. We used10 fold cross validation to verify the classification success. Our main contribution to the literature is that we developed a classification system to score all four different types of sleep-disordered breathing simultaneously by using 6 types of PSG data. As a five-class scoring result, the Random Forest (RF) algorithm showed the highest success with 76.3 % classification accuracy. When Hypopnea was excluded from the evaluation, classification accuracy increased to 86.6% for three Apnea-type disorders. Our proposed method provided 89.7% accuracy for the diagnosis of Obstructive Apnea by the RF classifier. The results show that time and time-frequency domain features are distinctive in Sleep-disordered breathing scoring, which is a very difficult process for physicians and a diagnostic support system can be design by evaluating many PSG data simultaneously.
Wavelet Dalgacık Dönüşümü ile Tıkayıcı Uyku Apnesi Tahmini ve Epok Sürelerinin Etkisi
(2021) Balcı, Mehmet; Gölcük, Adem; Küççüktürk, Serkan; Taşdemir, Şakir; Vatansev, Hüsamettin; Vatansev, Hülya
Tıkayıcı uyku apnesi halk arasında uykuda nefes durması olarak da bilinen çok ciddi bir halk sağlığı sorunudur. Bu sağlık sorununun tespit edilmesi ciddi laboratuvar tetkikleri gerektirmektedir. Polisomnografi (PSG) olarak adlandırılan bu tetkik sisteminde hastadan gece boyunca birçok fizyolojik veri toplanarak kaydedilir. Daha sonra bu veriler incelenerek teshis için kullanılır. Bu çalışmada yaşları 34 ile 73 arasında ve vücut kitle endeksleri 24,6 ile 49,3 arasında değişen 24 hastadan elde edilen gerçek veriler kullanılmıştır. Bu hastaların 17’si ciddi, 6’sı orta, 1’i de hafif derecede uyku apnesi teşhisi koyulmuş bireylerdir. 24 hastanın hastanenin uyku servisinde uyuma ve veri toplama için geçirdiği süre ortalama 5 saat 8 dakika 3 saniyedir. Bu çalışmada PSG ile toplanan fizyolojik verilerden olan pressure flow, pressuse snore ve thorax sinyalleri kullanılmıştır. Bu sinyaller önce epoklara ayrılmış, daha sonra ön işlemlerden geçirilmiştir. Farklı epok sürelerinin kullanıldığı çalışmada, her sinyalden wavelet dalgacık dönüşümü yöntemi ile sinyal özellikleri çıkarılarak bir özellikler veri seti oluşturulmuştur. Oluşturulan bu veri seti kullanılarak hastanın uyku sırasında meydana gelecek apnelerin önceden tahmin edilmesi amacıyla bir sistem geliştirilmiştir. Farklı sınıfandırıcıların da kullanıldığı bu sistemde ham sinyallerin bölümlendirilmesinde kullanılan epok sürelerin tahmin başarısına etkisi araştırılmıştır. Epok süresi 30 saniye olarak belirlendiğinde %88 doğruluk oranı elde edilirken, epok süresi 15 saniye olarak belirlendiğinde tahmin doğruluğu %93,3 olarak hesaplanmıştır. Epok süresi 5 saniye olarak belirlendiğinde ise tahmin başarısı %97,2 olarak gerçekleşmiştir. Sonuçlar, epok sürelerinin kısaltılmasının tahmin başarısını artırdığını göstermektedir. Bunun nedeni olarak apne olayının meydana geldiği ana daha yakın bir zaman diliminde elde edilen fizyolojik verilerin, meydana gelecek apneyi daha iyi tanımlamasıdır.