Profile URL: https://hdl.handle.net/20.500.13091/11625
Job Title:Dr. Öğr. Üyesi
Email Address:sdemircan@ktun.edu.tr
Main Affiliation:10.01. Department of Computer Engineering
Status: Current Staff
ORCID:
0000-0001-8570-2412
0000-0001-8570-2412Scopus ID:
36522532700
36522532700YÖK Akademik: 659A41138A1BF645
Google Scholar:
vswKoDAAAAAJ
vswKoDAAAAAJWeb of Science ID:
HHC-1100-2022
HHC-1100-20225 results
Scholarly Output Search Results
Now showing 1 - 5 of 5
Doctoral Thesis Ses Sinyallerinden Duygu Tanıma için Farklı Yaklaşımlar(Konya Teknik Üniversitesi, 2020) Demircan, Semiye; Kahramanlı, HumarDuygu tanıma son yıllarda önemi gittikçe artan konulardan bir tanesidir. Duygu tanıma yüz ifadelerinden ve biyomedikal sinyallerden yapılabildiği gibi ses verilerinden de yapılabilmektedir. Özellikle yüz yüze iletişim kurulmadığı durumlarda kişinin duygu durumunun tespitinde ses verisi kullanılmaktadır. Elle özellik çıkarımı ve özellik seçimi klasik yöntemlerle sesten duygu tanımada en önemli aşamalardır. Sesten duygu tanıma alanında en çok çıkarılan özellikler spektral, prozodik ve format özellikleridir. Özellik seçimi için ise oldukça çok yöntem önerilmiştir. Buna rağmen sesten duygu tanıma problemi tam olarak çözülememiş, karmaşık bir problemdir ve tanıma oranını arttırmak için daha iyi tekniklere ihtiyaç duyulmaktadır. Bu nedenle bu tez çalışmasında sesten duygu tanıma işlemi gerçekleştirilmiştir. Bu çalışmada en çok bilinen ve açık bir veri tabanı olan Berlin duygu veri tabanı (EmoDB) kullanılmıştır. EmoDB yedi farklı duyguya ait ses veri tabanıdır. Bu tez çalışmasında uygulamalar cinsiyet ve kişi bağımsız olarak gerçekleştirilmiştir. Tez çalışmasında üç farklı uygulama gerçekleştirilmiştir. Tüm uygulamalar yedi duygu ve üçerli duygu grupları üzerinde gerçekleştirilmiştir. Uygulamalarda kullanılacak veri kümeleri ve önişlemlerin açıklanması amacıyla iki farklı ön çalışma gerçekleştirilmiştir. Bu ön çalışmaların ilkinde Uygulama 1 ve Uygulama 2'de kullanılan veri kümeleri oluşturulmuştur. Veri kümeleri farklı sayıda ve farklı özelliklerden oluşturulmuştur. Çıkarılan özellikler Spektral özelliklerden Mel Frekansı Kepstrum Katsayıları (MFCC), Doğrusal Öngörüm Katsayıları (LPC), Ayrık Dalgacık Dönüşümü (DWT) ve Öz Bağımlı Model Parametreleri (AR) özellikleridir. Ayrıca prozodik özelliklerden Temel Frekansa ait özelliklerde çıkarılmıştır. Özellik seçiminde kullanılan spektral, prozodik ve format özellikleri incelenmiş sınıflandırma için etkin özellikler üzerinde çalışma yoğunlaştırılmıştır. Oluşturulan veri kümeleri özellik seçimi yapılmadan sınıflandırılmıştır. Sınıflandırma amacı ile tüm uygulamalarda Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), k En yakın Komşuluk Algoritması (kNN) ve Sade Bayes (SB) algoritmaları kullanılmıştır. Ön çalışmada ikinci olarak Uygulama 3'de kullanılan veri kümeleri ve ön işlemler açıklanmıştır. Uygulama 1'de özellik seçimi için önerilen Etmen Tabanlı Otomatik Özellik Seçimi (Agent Based Automatic Feature Selection - ABAfs ) yaklaşımı sunulmuştur. Ön çalışmalarda belirlenen etkin veri kümeleri üzerinde uygulanan çalışmada seçilen özellikler sınıflandırılmıştır. Tez çalışmasında gerçekleştirilen ikinci uygulama Bulanık C-Ortalama Algoritması (BCO) ile duygu tanıma işlemidir. Bu uygulamada BCO yöntemi ile boyut azaltımı işlemi gerçekleştirilmiştir. Oluşturulan özellikler ön çalışmada belirlenen veri kümeleri üzerinde gerçekleştirilmiş ve sınıflandırıcıya verilmiştir. Bu çalışmadaki üçüncü ve son uygulama Derin Öğrenme Algoritmaları ile duygu tanımadır. İlk iki uygulamada duygu tanıma işlemi yapılmadan önce özellik çıkarımı ve özellik seçimi işlemleri gerçekleştirilmiştir. Bu uygulamada özellik seçimi yapılmadan ham verilerden spektrogram görüntüleri elde edilerek Derin Öğrenme Algoritmalarından AlexNET ile sınıflandırılmıştır. Ayrıca elle çıkarılan özelliklerin derin öğrenme ile sınıflandırma başarısının karşılaştırılabilmesi için etkin özellikler DSA ile sınıflandırılmıştır. Tez kapsamında gerçekleştirilen tüm çalışmalar değerlendirildiğinde, yedi duygu grubunda en yüksek sınıflandırma doğruluğu (SD) 16 adet MFCC katsayılarından oluşturulan veri kümesi ile %92.98 ile BCO ile özellik seçimi yöntemiyle gerçekleştirilmiş ve literatüre kazandırılmıştır. Ayrıca literatür incelendiğinde bu zamana kadar duygu tanıma alanına hiç uygulanmamış özellik seçim yöntemlerinin bu çalışmada gerçekleştirilmiş olması da tez çalışmasının özgünlüğünü ortaya koymaktadır. Kısacası bu tez çalışması, elde edilen sonuçlar, Duygu Tanıma probleminde hangi özelliklerin daha etkin olduğunun tespiti ve sınıflandırılması konularında gerçekleştirilen çalışmalar açısından literatürde önemli bir yere sahip olacaktır.Article Citation - WoS: 9Citation - Scopus: 13Comparison of the Effects of Mel Coefficients and Spectrogram Images Via Deep Learning in Emotion Classification(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2020-02-29) Demircan, Semiye; Örnek, Humar KahramanlıIn the present paper, an approach was developed for emotion recognition from speech data using deep learning algorithms, a problem that has gained importance in recent years. Feature extraction manually and feature selection steps were more important in traditional methods for speech emotion recognition. In spite of this, deep learning algorithms were applied to data without any data reduction. The study implemented the triple emotion groups of EmoDB emotion data: Boredom, Neutral, and Sadness-BNS; and Anger, Happiness, and Fear-AHF. Firstly, the spectrogram images resulting from the signal data after preprocessing were classified using AlexNET. Secondly, the results formed from the MelFrequency Cepstrum Coefficients (MFCC) extracted by feature extraction methods to Deep Neural Networks (DNN) were compared. The importance and necessity of using manual feature extraction in deep learning was investigated, which remains a very important part of emotion recognition. The experimental results show that emotion recognition through the implementation of the AlexNet architecture to the spectrogram images was more discriminative than that through the implementation of DNN to manually extracted features.Article Citation - WoS: 3Application of Abm To Spectral Features for Emotion Recognition(MEHRAN UNIV ENGINEERING & TECHNOLOGY, 2018-10-01) Demircan, Semiye; Örnek, Humar Kahramanlı; Kahramanli, HumarER (Emotion Recognition) from speech signals has been among the attractive subjects lately. As known feature extraction and feature selection are most important process steps in ER from speech signals. The aim of present study is to select the most relevant spectral feature subset. The proposed method is based on feature selection with optimization algorithm among the features obtained from speech signals. Firstly, MFCC (Mel-Frequency Cepstrum Coefficients) were extracted from the EmoDB. Several statistical values as maximum, minimum, mean, standard deviation, skewness, kurtosis and median were obtained from MFCC. The next process of study was feature selection which was performed in two stages: In the first stage ABM (Agent-Based Modelling) that is hardly applied to this area was applied to actual features. In the second stageOpt-aiNET optimization algorithm was applied in order to choose the agent group giving the best classification success. The last process of the study is classification. ANN (Artificial Neural Network) and 10 cross-validations were used for classification and evaluation. A narrow comprehension with three emotions was performed in the application. As a result, it was seen that the classification accuracy was rising after applying proposed method. The method was shown promising performance with spectral features.Master Thesis Tane ve Toz Ekmeklik Buğday Numunelerinden Elde Edilen Hiperspektral Verilerin Makine Öğrenmesi Algoritmalarıyla Sınıflandırılması(2026) Ürgen, Nurullah; Demircan, SemiyeWheat is a highly important product both as a food and economically. Throughout the various processes of bread wheat cultivation, from storage to import and export, reliable and cost-effective methods for differentiating wheat types are critical at many stages. However, common evaluation approaches often rely on laboratory-based, time-consuming processes dependent on expert personnel. This study aims to present a classification process closer to in-situ conditions for wheat in grain and flour form using hyperspectral measurements. This thesis investigates variety/type classification of bread wheat grains and the flours obtained from them using hyperspectral range reflection spectra. Spectra were acquired with a Qmini AFBR-S20M2VN (450–1100 nm), while an effective 500–1000 nm window was used for analysis. Measurements followed a single-spot reflectance geometry in a dim, isolated environment: a halogen lamp illuminated the sample at approximately 45°. For each physical sample, the container was slightly moved during hyperspectral measurements to ensure sampling of different positions or orientations within the batch. Data depth for each class was ensured by recording 10 technical repetitions per sample. Preprocessing relied on Savitzky–Golay smoothing and scatter correction (SNV/MSC). Classification was comparatively evaluated using SVM, HGB, MLR, LDA, and CNN methods with 5 and 6 classes. Evaluation followed a group-aware validation rationale by using container identifiers as grouping keys. Accuracy (ACC) is reported as the primary metric, while Macro-F1, which is sensitive to class imbalance, is reported as a supplementary metric. Results indicate that that in the best-case scenario, accuracy reached 91% in powder form under 5 and 6 class conditions, while in granular form, accuracy increased to 83%. Seed variations and method differences led to fluctuations in results, particularly under certain conditions, making inter-method differences more apparent. Overall, it was observed that regularized classical classifiers (SVM, HGB, MLR, LDA) under controlled data acquisition and a reduced number of bands could produce results similar to 1B-CNN under conditions where the number of samples per class is limited; however, while 1B-CNN produced the highest success under certain conditions, the results were more sensitive to seed and class number fluctuations. The study presents a reproducible hyperspectral workflow for grain and powder wheat. Furthermore, it highlights the importance of controlled expansion of the class number, architectures that better utilize contiguous spectral structure, and validation methods.Article Öksürük Sesi Kayıtlarından Spektral Özellikler ile Otomatik Covıd-19 Tespiti(2022) Demircan, SemiyeCOVID-19 pandemisi son iki yıldır dünyada hızla yayılmış ve bu alanda yapılan çalışmalar da artmıştır. COVID-19 olan hastaların, hasta olmayanlardan ayırt edilmesi de pandemideki en önemli sorunlardan bir tanesidir. Gerek hastalığın erken teşhisi gerekse hasta olmayanlara bulaşma riski açısından COVID-19’un otomatik tespiti oldukça önem arz etmektedir. Hastalığın teşhisinde farklı semptomların görülebilmesi ve hatta hiç semptom görülmeden bile oluşabilmesi teşhisi çok daha zor hale getirmiştir. Bu durum hastalığın teşhisi konusunda yapılan çalışmaları arttırmıştır. Öksürük ses kayıtları gibi solunum kayıtlarında var olan önemli özellikler kullanılarak teşhis yapılabilmesi de bu uygulamalardan bir tanesidir. Bu çalışmada öksürük ses kayıtları kullanılarak otomatik COVID-19 hastalık tespiti yapılmıştır. “COVID-19 Positive and Negative Patients' Cough Recordings” (HIMANSHU) veri seti kullanılarak gerçekleştirilen çalışmada ilk olarak ses dosyalarından Mel-Frekansı Kepstrum Katsayıları (MFCC) çıkarılmıştır. Farklı sayıda olan MFCC öznitelikleri istatistiksel değerler kullanılarak eşit boyutlu hale getirilmiştir. MFCC yöntemi ile elde edilen spektral özellikler 8, 16, 32, 64 tane olacak şekilde dört farklı uzunlukta katsayılar çıkarılmıştır. Son olarak makine öğrenmesi algoritmalarından Yapay Sinir Ağları (YSA), Naive Bayes (NB), K-en Yakın Komşu Algoritması (kNN), Rastgele Orman (RO) algoritmaları kullanılarak hastalık teşhisi yapılmıştır. Yapılan çalışmada COVID veya COVID-DEGİL şeklinde 2 sınıf kullanılmıştır. Uygulama on çapraz doğrulama yöntemi ile çalıştırılmıştır. Çalışma sonunda en yüksek sınıflandırma başarası kNN algoritması ile % 99.39 olarak gerçekleştirilmiştir.
No research topics data found.
Sustainable Development Goals
SDG data is not available
Documents
5
Citations
89
h-index
3
Documents
6
Citations
68
No records found in other affiliations.
| Journal | Count |
|---|---|
| European Journal of Science and Technology | 1 |
| MEHRAN UNIVERSITY RESEARCH JOURNAL OF ENGINEERING AND TECHNOLOGY | 1 |
| TRAITEMENT DU SIGNAL | 1 |
Current Page: 1 / 1
Scholarly Output
5
Articles
3
Views / Downloads
22/85
Supervised MSc Theses
1
Supervised PhD Theses
1
WoS Citation Count
12
Scopus Citation Count
13
Patents
0
Projects
0
WoS Citations per Publication
2.40
Scopus Citations per Publication
2.60
Open Access Source
4
Supervised Theses
2
Scopus Quartile Distribution
Quartile distribution chart data is not available
Competency Cloud
