ERG Verileri Üzerinde Makine Öğrenmesi ve Derin Öğrenme Yaklaşımları

Authors : Adem Telli, Mehmet Ömer Kırıştıoğlu, Selim Doğanay, Gıyasettin Özcan

Pages : 1-6

Doi:10.53608/estudambilisim.1784360

View : 131 | Download : 147

Publication Date : 2025-12-30

Article Type : Research Paper

Abstract :Bu çalışmada, tabular yapıda düzenlenmiş ERG verileri üzerinde makine öğrenmesi ve derin öğrenme algoritmalarının sınıflandırma performansları incelenmiştir. Çalışmada kullanılan veri seti açık kaynak olup, 106 bireyin (74 çocuk, 32 erişkin) ölçümlerinden oluşmaktadır. Veriler, ön işleme sürecinde yeniden yapılandırılmış, öznitelikler transpoze edilerek birey bazlı tabloya dönüştürülmüş ve sınıflar “normal” ve “anormal” olarak etiketlenmiştir. Beş farklı makine öğrenmesi algoritması (SVM, Random Forest, Gradient Boosting, KNN, Logistic Regression) ve çok katmanlı yapay sinir ağı (MLP) kullanılarak karşılaştırmalı analizler yapılmıştır. Performans değerlendirmesinde doğruluk, F1-skoru, hassasiyet, duyarlılık ve ROC-AUC metrikleri dikkate alınmıştır. Sonuçlar, sınıf dengesizliğinin azınlık sınıflar üzerindeki duyarlılığı düşürdüğünü göstermiştir. Derin öğrenme modeli, veri boyutu nedeniyle sınırlı performans sergilemiş, ancak wavelet tabanlı özniteliklerin eklenmesiyle iyileşme sağlanmıştır. Ayrıca, sentetik veri üretimiyle tüm modellerde doğruluk %95’in üzerine çıkmış ve F1 skorlarında belirgin artış kaydedilmiştir. Bu bulgular, sınıf dengesizliği sorununa rağmen ERG verilerinin yapay zekâ yöntemleriyle etkin şekilde sınıflandırılabileceğini ve veri artırma stratejilerinin klinik karar destek sistemlerine katkı sağlayabileceğini ortaya koymaktadır.
Keywords : Elektroretinografi, Makine Öğrenmesi, Derin Öğrenme, Sınıflandırma, Veri Dengesizliği, Sentetik Veri

ORIGINAL ARTICLE URL