Sürdürülebilir Kalkınma Amaçları
Yayınlar
- MakaleAçık Erişim2026Improvement of machine learning-based diabetes diagnosis via resampling techniques
Yapici, Irem Senyer; Arslan, Rukiye Uzun; Engin, Mustafa Alptekin
The objective of this study is to enhance the accuracy of diabetes diagnosis through the utilisation of machine learning techniques and resampling methods. The imbalanced nature of diabetes datasets presents a significant challenge for traditional classification algorithms, which often struggle to accurately predict results. In order to enhance the efficacy of the model, a comparative analysis was conducted to assess the performance of a range of over-sampling and under-sampling techniques, including SMOTE, ADASYN, Borderline SMOTE, SVM SMOTE, Random Under Sampler, Near Miss, One Sided Selection, Neighbourhood Cleaning Rule, Edited Nearest Neighbours, Instance Hardness Threshold, AllKNN and Tomek Links. The aforementioned techniques were then applied to the Decision Tree, Random Forest, K-Nearest Neighbours, AdaBoost, Extra Tree Classifier, and machine learning classifiers, and their performance was evaluated using the accuracy, recall, precision, F-Score, and AUC-ROC performance metrics. The SVMSMOTE resampling technique was identified as the most successful method, achieving 99.06% accuracy when used in combination with the decision tree classifier. The findings demonstrate that the incorporation of resampling techniques markedly enhances diagnostic proficiency and yields more dependable forecasts. This research makes a significant contribution to the field of medical informatics, providing a robust framework for diabetes diagnosis and offering valuable insights into the application of machine learning healthcare.
- MakaleAçık Erişim2026Scopus SJRQ1Enhanced Absorption-Dominant EMI Shielding Performance of Pyramidal Cementitious Composites Incorporating Recycled Plastics and Magnetite Minerals for 5G Applications
Cakir, Mehmet; Engin, Mustafa Alptekin; Camuzcuoglu, Murat
In this study, waste polypropylene (PP) and magnetite (Fe3O4) mineral-reinforced cement-based pyramidal composite structures were designed, manufactured, and experimentally characterized to reduce electromagnetic interference (EMI) problems in the 3.3–4.9 GHz frequency band for 5G communication systems. Unlike traditional planar concrete surfaces, the aim was to minimize surface reflections and obtain an absorption-dominant shielding mechanism by providing gradient impedance matching through the pyramidal geometry. Although the use of carbon-based nanomaterials is common in the current literature, their high cost and corrosion risks limit their large-scale applications. This study involves the evaluation of waste polypropylene disposal and self-enriching magnetite mineral together. Theoretical analyses were supported by the Lichtenecker Logarithmic Mixing Rule and the Maxwell–Garnett model, and seven different mixing scenarios (S1–S7) were measured using the free-space method with a Libre vector network analyzer. Experimental results showed that the pure concrete sample exhibited predominantly reflective behaviour, with shielding performance improving significantly as the filler ratio increased. The S4 sample, containing 15% PP and 10% magnetite, offered broadband and balanced absorption performance, while the S7 sample, containing 25% PP and 25% magnetite, provided the highest shielding effectiveness with reflection below −10 dB across the entire band and transmission loss reaching −65 dB.
- MakaleAçık Erişim2026Scopus SJRQ2Machine Learning-Based Material Thickness and Type Classification via Scattering Parameters
Engin, Mustafa Alptekin; Cakir, Mehmet
The precise determination of material type and thickness is of major significance in non-destructive testing, quality assurance, and materials science, as it influences the functionality, reliability, and performance of materials in engineering applications. This study proposes a methodology for the classification of material thickness and type through the analysis of scattering parameters within the 8–12 GHz frequency range. A database was created, encompassing real, imaginary, and dB values of reflection and transmission parameters for nine real-world materials with thicknesses ranging from 1 to 10 mm. This study addressed two main classification tasks, namely material thickness and material type. A variety of training–testing splits were employed in conjunction with 10-fold cross-validation to facilitate a comparison of classifier performance. In the material type classification, incorporating multiple thickness levels of each material enabled the model to distinguish materials with similar reflection characteristics more accurately, thereby enhancing discrimination performance. The results showed that Fine KNN consistently achieved 100% accuracy in thickness classification, while Quadratic SVM achieved 100% accuracy in material type classification, even when utilising only three thickness levels. Furthermore, the 90% training–10% testing split yielded the highest performance in thickness classification, whereas the optimal data split for material type classification differed across classifiers. Overall, this study demonstrates that the combination of scattering parameters and machine learning serves as a reliable and efficient approach for non-destructive material characterization.
AtıfScopus1WoS1OpenAlex1
İncele - MakaleAçık Erişim2026Scopus SJRQ1A Single-Source Pilot Study of Machine Learning-Assisted Microwave S-Parameter Screening for Glucose Syrup and Water Adulteration in Grape Molasses
Engin, Mustafa Alptekin; Cakir, Mehmet; Cakil, Turan
Grape molasses, known as pekmez in Turkish, is a traditional concentrated fruit product that may be adulterated with cheaper sweeteners or water. This study evaluated broadband microwave S-parameter measurements as a rapid, non-destructive screening approach for detecting glucose syrup substitution and water dilution in grape molasses. Nine physical mixture groups were prepared, including pure grape molasses, glucose syrup–substituted mixtures at 5–30%, pure glucose syrup as an endpoint reference, and water-diluted mixtures at 10–30%. For each group, five consecutive technical measurements were recorded using a Libre vector network analyzer connected to a WR-229 waveguide-based two-port setup over 3.30–4.90 GHz. All mixtures were prepared from a single commercial grape molasses source and a single glucose syrup source; the results should therefore be interpreted as pilot-scale, single-source evidence rather than a generalizable screening method. Glucose syrup substitution produced a systematic upward shift in S11 resonance frequency. In the practical 0–30% range, S11 resonance frequency showed a strong linear relationship with glucose syrup content on the calibration data (R2 = 0.9955; inverse prediction error = 0.72 percentage points), though this reflects calibration fit rather than independently validated prediction accuracy. Water dilution produced stronger S21 attenuation. The detection principle is based on the complementary use of S11 resonance behavior for glucose syrup substitution and S21 transmission loss for water dilution. In group-blocked point-wise classification, the Ensemble Bagged Trees classifier achieved 88.79% accuracy and a macro-F1 score of 0.874. These results indicate that S11 and S21 provide complementary proof-of-concept indicators for controlled-mixture screening of grape molasses adulteration.
- MakaleAçık Erişim2026Scopus SJRQ2Deep Learning-Based Classification of Common Lung Sounds via Auto-Detected Respiratory Cycles
Engin, Mustafa Alptekin; Uzun Arslan, Rukiye; Senyer Yapici, İrem; Aras, Selim; Gangal, Ali
Chronic respiratory diseases, the third leading cause of mortality on a global scale, can be diagnosed at an early stage through non-invasive auscultation. However, effective manual differentiation of lung sounds (LSs) requires not only sharp auditory skills but also significant clinical experience. With technological advancements, artificial intelligence (AI) has demonstrated the capability to distinguish LSs with accuracy comparable to or surpassing that of human experts. This study broadly compares the methods used in AI-based LSs classification. Firstly, respiratory cycles—consisting of inhalation and exhalation parts in LSs of different lengths depending on individual variability, obtained and labelled under expert guidance—were automatically detected using a series of signal processing procedures and a database was obtained in this way. This database of common LSs was then classified using various time-frequency representations such as spectrograms, scalograms, Mel-spectrograms and gammatonegrams for comparison. The utilisation of proven, convolutional neural network (CNN)-based pre-trained models through the application of transfer learning facilitated the comparison, thereby enabling the acquisition of the features to be employed in the classification process. The performances of CNN, CNN and Long Short-Term Memory (LSTM) hybrid architecture and support vector machine methods were compared in the classification process. When the spectral structure of gammatonegrams, which capture the spectral structure of signals in the low-frequency range with high fidelity and their noise-resistant structures, is combined with a CNN architecture, the best classification accuracy of 97.3% ± 1.9 is obtained.
AtıfScopus2WoS2OpenAlex2
İncele - MakaleAçık Erişim2026Scopus SJRQ2Enhancing salt stress tolerance in sugar beet via TiO2 nanoparticles: a machine learning approach
Engin, Mustafa Alptekin; Sefaoglu, Firat; Gul, Volkan; Aras, Selim; Kaynar, Dilara
In this study, the biostimulant potential of titanium dioxide (TiO2) nanoparticles was investigated to enhance sugar beet (Beta vulgaris L.) seed response to salt stress. Controlled applications were conducted at different NaCl (0–200 mM) and TiO2 (0–1,800 ppm) levels, and eight key morphological and physiological parameters were evaluated. In the first stage, the individual and interactive effects of the factors were examined using a two-way analysis of variance. Then, various machine learning-based regression models, primarily the Gradient Boosting algorithm, were used to numerically model plant responses. Based on the high-accuracy models, optimal application combinations were determined for each parameter and visualized using graphical surface analyses. Additionally, the most suitable overall TiO2 dosage for each salt level was calculated using a multi-criteria scoring system that assigned equal weight to all parameters. The results revealed that TiO2 exerts a regulatory and protective effect on plants against salt stress, with this effect varying with both dosage level and environmental stress severity. The study demonstrates that nanotechnological initiatives can be integrated into data-driven agricultural strategies to optimize stress management.
AtıfScopus1WoS1OpenAlex1İncele - MakaleAçık Erişim2025Speeding up the Discrete Cosine Transform Through Custom Operations and Fixed-Point Arithmetic
Akçay, Latif; Engin, Mustafa Alptekin
Digital signal processing applications are becoming increasingly important because modern systems work with much larger amounts of data than before. The Discrete Cosine Transform (DCT), used in almost all multimedia compression methods, creates a significant computational load especially in resource-constrained embedded systems. This study proposes four custom operations compatible with Transport-Triggered Architecture (TTA). To enhance computational efficiency and avoid floating-point overhead, fixed-point arithmetic is used. To analyse the effect of the proposed operations, different Application-Specific Instruction Set Processor (ASIP) configurations were created on a general-purpose processor architecture. Performance analyses show that speedups between 2x and 3.5x are achieved. In addition, the developed processor models have been implemented in hardware. FPGA synthesis results indicate a reasonable increase in chip area, showing that the proposed solutions could be an efficient alternative, particularly for limited-resource embedded systems.
- MakaleAçık Erişim2024Depresyonda motor aktivitenin makine öğrenmesi ile değerlendirilmesi
Aras, Selim; Aras, Neriman; Engin, Mustafa Alptekin
Psikiyatrik hastalıkların neredeyse tümünde olduğu gibi depresyonun da klinik olarak değerlendirilmesi gözleme ve subjektif hasta şikâyetlerine dayanmaktadır. Psikomotor retardasyon (gerileme) depresyonun önde gelen semptomlarından biridir ve bunun göstergesi olarak depresyonlu hastalarda fiziksel aktivite azalır. Bu çalışmada, depresyonu olan ve olmayan bireylerin günlük fiziksel aktivite verileri ile oluşturulmuş bir veri setini referans olarak kullanarak, depresyon tanısı için makine öğrenimi temelli objektif bir tanı destekleyici yöntem geliştirmek amaçlanmıştır. Geniş bir öznitelik araştırması yapıldıktan sonra, Fisher Öznitelik Seçimi ile en iyi dört öznitelik belirlenmiş ve Toplu Torbalı Ağaç yöntemini kullanarak 0,88 doğruluk ile referans çalışmasından daha iyi bir sınıflandırma sonucu elde edilmiştir. Ayrıca, referans çalışma ile karşılaştırmak için sınırlandırılan dört öznitelikten daha fazlası seçildiğinde doğruluğun 0,90’nın üzerine çıktığı belirlenmiştir. Böylece, fiziksel aktivite verilerini kullanarak geliştirilen makine öğrenimi temelli yöntemle depresyonu olan ve olmayan bireyleri yüksek doğruluk payı ile ayırt edilmesi başarılmıştır. Bu çalışma, aktivite verilerinin depresyonda tanı destekleyici bir araç olarak kullanılabileceğine dair umut verici sonuçlar ortaya koymuştur. Elde edilen sonuçlar, fiziksel aktivite gibi farklı biyobelirteçlerin de makine öğrenimi ile birlikte kullanıldığında, psikiyatrik değerlendirmedeki objektif tanı destekleyici kriterlerin eksikliğini giderebilecek potansiyele sahip olduğunu göstermektedir.
- MakaleAçık Erişim2024Parkinson’s Disease Detection Via Machine Learning Using Data Splitting and Validation Methods
Engin, Mustafa Alptekin
Parkinson’s disease (PD), a neurological disorder, negatively affects the lives of patients and their caregivers. PD, which is very difficult to diagnose early by examining the clinical characteristics of the person, can be diagnosed using voice recordings. However, the inconsistent performance results of the models obtained from the evaluation of voice recordings through machine learning techniques limit the usability of these models to aid in diagnosing physicians. This study used a database of 195 voice data obtained from 31 individuals, 23 of whom have PD. The classification of the voices as healthy or patient was based on the 22 features in the database. The split ratios 90/10, 80/20, 70/30, 50/50 and 30/70 were used to select the training and test phase data, respectively. In addition, each split ratio was evaluated using 10-fold cross-validation, 5-fold cross-validation, holdout validation and resubstitution validation methods in the training phase, which is the initial process that will directly affect the other classification procedures. In addition, the classification process was performed using quadratic discriminant analysis, support vector machine, ensemble bagged tree, k-nearest neighbours and neural network classifiers. All procedures were repeated 10 times to ensure consistency of results and randomisation of split ratios. As a result, the k-nearest neighbours classifier with 80/20 splitting ratio and 10-fold cross-validation was determined to be the most successful among the compared methods with 95.64±3.21% accuracy. Therefore, it can be seen that much more successful results can be obtained by analysing only the effects of the existing parameters of the classifiers.
- MakaleAçık Erişim2024İnsansız Hava Araçları ile Orman Yangınlarının Tespitinde Görüntü İşleme ve Yapay Zekâ Tabanlı Otomatik Bir Model
Kökhan, Serhan; Engin, Mustafa Alptekin
Nefes almak için gereksinim duyduğumuz oksijenin büyük bir kısmı, hayatta kalabilmemiz için hayati öneme sahip olan ormanlar tarafından üretilir. Bu yüzden ormanları korumak, içinde yaşadığımız yüzyılın en önemli konu başlıklarından bir tanesidir. Dünyanın farklı coğrafyalarında (ABD, Avustralya vb.) her yıl meydana gelen orman yangınları ciddi ekonomik kayba neden olmakta ve ekosistemi olumsuz olarak etkilemektedir. Ateşin çeşitli renk, şekil ve doku özelliklerine sahip olması orman yangınlarının uzaktan algılanmasını zorlaştırmaktadır. Yapılan bu çalışmada orman yangınlarının tespitinde insansız hava araçları vasıtasıyla tamamen otomatik bir sistem önerilmiştir. Ormanlık arazinin tespitinde uydu görüntüleri üzerine görüntü bölütleme yöntemi kullanılmış, insansız hava aracının tespit edilen bölgeyi en kısa zamanda ve en az görüntü ile kontrol edebilmesi için de küme kaplama yöntemi kullanılmıştır. Daha sonra elde edilen imgeler üretilen yapay zekâya dayalı ateş algılama modeline göre değerlendirilip başlangıç ve ileri aşamadaki yangınlar tespit edilmiş ve konumları elde edilmiştir. Sonuç olarak, yapılan çalışmada yaklaşık %97,51 değerinde doğrulukla yangın tespit eden bir erken uyarı modeli önerilmektedir.
AtıfOpenAlex3
İncele - MakaleAçık Erişim2022Gömülü ve Sarıcı Öznitelik Seçim Yöntemleri Kullanılarak Akciğer Rahatsızlıklarının Tespiti
Aras, Selim; Engin, Mustafa Alptekin
Son yıllarda biyomedikal sinyal işleme alanındaki gelişmelere rağmen, akciğer rahatsızlıklarının tespiti üzerine hızlı ve yüksek doğrulukta çalışan teşhis sistemlerine duyulan ihtiyaç artmaktadır. Yapılan çalışmada fiziki muayene ile 94 farklı kişiden, solunum döngülerinin otomatik olarak tespit edilmesiyle elde edilen 150 adet normal ve 444 adet normal olmayan akciğer sesleri veri tabanı olarak kullanılmıştır. Sınıflandırma işleminde öznitelik olarak frekans ve zaman bölgesinde 12 farklı yöntem uygulanmıştır. Tüm veriler %80 eğitim %20 test aşamasında kullanılacak şekilde ikiye bölünmüştür. Elde edilen öznitelikler gömülü ve sarıcı öznitelik seçim yöntemleri kullanılarak değerlendirilmiştir. Bu yöntemler; özyinelemeli öznitelik eliminasyonu, uyarlanabilir yapı öğrenimi ile öznitelik seçimi, bağımlılık kılavuzlu denetimsiz öznitelik seçimi, sıralı yerellik ile denetimsiz öznitelik seçimi, içbükey küçültme yoluyla öznitelik seçimi, en küçük mutlak büzülme ve seçim operatörü öznitelik seçim yöntemleri olarak isimlendirilmektedir. İncelenen bu öznitelikler doğrusal destek vektör makineleri, k en yakın komşuluk, karar ağaçları ve naive bayes yöntemleri ile sınıflandırılmıştır. Sonuç olarak öznitelik sayısının sınırlandırılmadığı durum için, özyinelemeli öznitelik eliminasyonu yönteminin k en yakın komşuluk sınıflandırma ile beraber kullanıldığı durum için %97,3 doğruluk değerindeki başarıma ulaşılmaktadır. Öznitelik sayısının üç ile sınırlandırıldığı durumda ise uyarlanabilir yapı öğrenimi ile öznitelik seçimi yönteminin karar ağaçları yöntemi ile beraber kullanılması ile %91,4 değerinde başarıma ulaşılmıştır.
AtıfOpenAlex1İncele - MakaleYalnız künye2022Gömülü ve sarıcı öznitelik seçim yöntemlerinin kullanılması ile akciğer rahatsızlıklarının tespiti
Aras, Selim; Engin, Mustafa Alptekin
Son yıllarda biyomedikal sinyal işleme alanındaki gelişmelere rağmen, akciğer rahatsızlıklarının tespiti üzerine hızlı ve yüksek doğrulukta çalışan teşhis sistemlerine duyulan ihtiyaç artmaktadır. Yapılan çalışmada fiziki muayene ile 94 farklı kişiden, solunum döngülerinin otomatik olarak tespit edilmesiyle elde edilen 150 adet normal ve 444 adet normal olmayan akciğer sesleri veri tabanı olarak kullanılmıştır. Sınıflandırmada öznitelik olarak frekans ve zaman bölgesinde 12 farklı yöntem uygulanmıştır. Elde edilen öznitelikler gömülü ve sarıcı öznitelik seçim yöntemleri kullanılarak değerlendirilmiştir. Bu yöntemler; özyinelemeli öznitelik eliminasyonu, uyarlanabilir yapı öğrenimi ile öznitelik seçimi, bağımlılık kılavuzlu denetimsiz öznitelik seçimi, sıralı yerellik ile denetimsiz öznitelik seçimi, içbükey küçültme yoluyla öznitelik seçimi, en küçük mutlak büzülme ve seçim operatörü öznitelik seçim yöntemleri olarak isimlendirilmektedir. İncelenen bu öznitelikler doğrusal destek vektör makineleri, k en yakın komşuluk, karar ağaçları ve naive Bayes yöntemleri ile sınıflandırılmıştır. Sonuç olarak öznitelik sayısının sınırlandırılmadığı durum için, özyinelemeli öznitelik eliminasyonu yönteminin k en yakın komşuluk sınıflandırma ile beraber kullanıldığı durum için %97,3 doğruluk değerindeki başarıma ulaşılmaktadır. Öznitelik sayısının üç ile sınırlandırıldığı durumda ise uyarlanabilir yapı öğrenimi ile öznitelik seçimi yönteminin karar ağaçları yöntemi ile beraber kullanılması ile %91,4 değerinde başarıma ulaşılmıştır. Sınıflandırmada solunum döngülerinin otomatik tespit edilmesi ve en uygun özniteliklerin seçilmesi aracılığı ile yüksek doğruluk değerine ulaşılmıştır.