We use least squares support vector machine (LS-SVM) utilizing a binary decision tree for classification of cardiotocogram to determine the fetal state. The parameters of LS-SVM are optimized by particle swarm optimization. The robustness of the method is examined by running 10-fold cross-validation. The performance of the method is evaluated in terms of overall classification accuracy. Additionally, receiver operation characteristic analysis and cobweb representation are presented in order to analyze and visualize the performance of the method. Experimental results demonstrate that the proposed method achieves a remarkable classification accuracy rate of 91.62%.
An expert system having two stages is proposed for cardiac arrhythmia diagnosis. In the first stage, Fisher score is used for feature selection to reduce the feature space dimension of a data set. The second stage is classification stage in which least squares support vector machines classifier is performed by using the feature subset selected in the first stage to diagnose cardiac arrhythmia. Performance of the proposed expert system is evaluated by using an arrhythmia data set which is taken from UCI machine learning repository.
Öz: Bu çalışmada, metal sektöründe kullanılmak üzere gömülü sistem tabanlı bir hatalı ürün tespit sistemi geliştirilmiştir. Ürün grubu olarak sektörde sıklıkla üretilen ve dairesel boşluklar içeren sac levhalar seçilmiştir. Levhalar üzerindeki dairesel boşluklara ait bilgiler dairesel Hough dönüşümü kullanılarak elde edilmiştir. Hatalı ürünlerin tespiti referans görüntü kullanılarak karşılaştırma yoluyla yapılmıştır. Gömülü sistem olarak Raspberry Pi Model 3 B+ seçilmiştir. Geliştirilen sistemin başarım incelemesi çalışmaya özel oluşturulmuş farklı çözünürlükteki görüntü kümeleri üzerinde yapılmıştır. Yapılan deneyler sonucunda geliştirilen sistemin 10MP çözünürlükteki görüntü kümesinde %96,29 doğruluk oranına sahip olduğu gösterilmiştir.Abstract: In this work, an embedded system based product defect detection system has been developed for the metal industry. As a test product, sheet metal plates which are used very often in the metal industry containing circular holes have been used. The geometrical information about the holes on the plates have been obtained using Hough circular transformation. Detection of defective products was made by comparison using the reference image. As an embedded system Raspberry Pi Model 3 B+ have been used. Performance analysis of the developed system have been carried out on a special image sets having different resolutions which are obtained for the study. Based on the experimental results it has been shown that the developed system reached 96.29% accuracy rate for the image set with 10MP resolution.
ÖzSARS-CoV-2 virüsü kaynaklı COVID-19 hastalığının yayılma seyrinin kontrol altına alınmasında erken tespiti önemli rol oynamaktadır. Ters transkripsiyon-polimeraz zincir reaksiyonu (RT-PCR) koronavirüsün teşhisinde sıklıkla kullanılmaktadır. Ancak testler hastalığın her evresinde doğru sonuç verememektedir ve sonuçların çıkması için geçen süre hastalığın yayılması sürecini kolaylaştırmaktadır. Erken evrelerde COVID-19 tanısı koymak için X-ışını (X-Ray) Bilgisayarlı Tomografi (BT) gibi daha az temasa bağlı ve daha hızlı sonuç verebilecek tıbbi radyolojik görüntüleme yöntemleri kullanılmaktadır. Radyolojik görüntüler üzerinden hastalık tespitinde derin öğrenme yaklaşımlarının kullanımı son yıllarda çok ilgi görmektedir. Bu çalışmada akciğer radyolojik görüntülerinden COVID-19'un hızlı ve doğru teşhisi amacıyla derin öğrenme temelli bir yaklaşım kullanılmıştır. Yaklaşımın başarım incelemesi açık kaynaklı bir COVID-19 veri kümesi üzerinde gerçekleştirilmiştir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.