Yazar "Gurkan, Hakan" seçeneğine göre listele
Listeleniyor 1 - 5 / 5
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe A novel multichannel sparse convolutional autoencoder for electrocardiogram signal compression(Churchill Livingstone Inc Medical Publishers, 2025) Bekiryazici, Tahir; Damkaci, Mehmet; Aydemir, Gurkan; Gurkan, HakanElectrocardiogram (ECG) signal compression is paramount in continuously monitoring cardiac patients, as it reduces data storage and transmission costs. Deep neural networks, particularly autoencoders, offer significant potential for compressing ECG signals by mapping them to lower-dimensional spaces. This paper presents a novel multichannel convolutional autoencoder model designed to compress ECG signals efficiently. The proposed approach encodes the ECG signal into a four-channel lower-dimensional space using a convolutional encoder, which is subsequently reconstructed by a deconvolutional decoder. Unlike traditional autoencoderbased methods, the first channel in the model remains unconstrained, while increasing levels of sparsity constraints are imposed on the remaining channels. Different quantization levels are applied to each channel to optimize compression further, reflecting the varying numerical ranges caused by the sparsity constraints. The quantized channels are then encoded using Huffman coding, resulting in a higher compression ratio. The model's effectiveness is evaluated on a popular benchmark dataset, using normalized percent root mean square difference (PRDN) error and compression ratio as performance metrics. The proposed method achieves an average compression ratio of 20.23:1, with an average PRDN error of 9.86%, demonstrating its capability to compress ECG signals efficiently while maintaining reconstruction accuracy.Öğe Electrocardiogram Signal Compression Using Deep Convolutional Autoencoder with Constant Error and Flexible Compression Rate(Elsevier Science Inc, 2024) Bekiryazici, Tahir; Aydemir, Gurkan; Gurkan, HakanObjectives Electrocardiogram (ECG) signals are beneficial for diagnosing cardiac diseases. The cardiac patients' life quality likely increases with continuous or long-period recording and monitoring of ECG signals, leading to better and early diagnosis of disease and heart attacks. However, continuous ECG recording necessitates high data rates and storage, which means high costs. Therefore, ECG compression is a handy concept that facilitates continuous monitoring of ECG signals. Deep neural networks open up new horizons for compression and also for ECG compression by providing high compression rates and quality. Although they bring constant compression ratios with better average quality, the compression quality of individual samples is not guaranteed, which may lead to misdiagnoses. This study aims to investigate the effect of compression quality on the diagnoses and to develop a deep neural network-based compression strategy that guarantees a quality-bound in return for varying compression ratios. Materials and methods The effect of the compression quality on the arrhythmia diagnoses is tested by comparing the performance of the deep learning-based ECG classifier on the original ECG recordings and the distorted recordings using a lossy compression algorithm with different compression error levels. Then, a compression error upper limit is calculated in terms of normalized percent root mean square difference (PRDN) error, which also coincides with the findings of the previous studies in the literature. Lastly, to enable deep learning in ECG compression, a single encoder-multi-decoder convolutional autoencoder architecture, and multiple quantization levels are proposed to guarantee a desired upper limit on the error rate. Results The efficiency of the proposed method is demonstrated on a popular benchmark data set for ECG compression methods using a transfer learning approach. The PRDN error is fixed to various values, and the average compression rates are reported. An average of 13.019 : 1 compression is achieved for a 10% PRDN error rate, assessed as a fair quality threshold for reconstruction error. It has also been shown that the compression model has a runtime that can be run in real-time on wearable devices such as commercial smartwatches. Conclusion This study proposes a deep learning-based ECG compression algorithm that guarantees a desired upper limit on the compression error. This model may facilitate an eHealth solution for continuous monitoring of ECG signals of individuals, especially cardiac patients. (c) 2024 AGBM. Published by Elsevier Masson SAS. All rights are reserved, including those for text and data mining, AI training, and similar technologies.Öğe Konuşma İşaretlerinin Derin Evrişimsel Oto Kodlayıcı ve Artık Vektör Nicemleme Tabanlı Sıkıştırılması(2024) Bekiryazıcı, Tahir; Aydemır, Gürkan; Gurkan, HakanBu çalışmada, konuşma işaretlerini sıkıştırmak için derin öğrenme tabanlı oto kodlayıcı ve artık vektör nicemlemesini temel alan sıkıştırma yöntemi önerilmiştir. Önerilen sıkıştırma yönteminde, öncelikle giriş konuşma işaretini daha düşük boyutlu bir uzaya atayan oto kodlayıcı kullanılmakta ve ardından oto kodlayıcı çıkışı, artık vektör nicemlemesi ile daha da sıkıştırılmaktadır. Sıkıştırma yöntemi, birbirine paralel çalışan iki farklı kod çözücü yapısı ve iki kod kitapçığı sayesinde farklı oranlarda sıkıştırma oranı sunmaktadır. Yöntemin başarımı konuşma kalitesini algısal değerlendirme metriği kullanılarak TIMIT veri kümesi ile test edilmiştir. Önerilen konuşma sıkıştırma yöntemi, 1.25 ve 2.5 kbps iletim hızları için sırasıyla 1.665 ve 1.985 konuşma kalitesini algısal değerlendirme skorları elde etmiştir.Öğe Stacked causal convolutional autoencoder based speech compression method(Ieee, 2024) Bekiryazici, Tahir; Aydemir, Gurkan; Gurkan, HakanThis study proposes a speech compression method based on one-dimensional convolutional autoencoder and residual vector quantization. The proposed method offers different compression ratios at low bit rates. Speech quality evaluation metric (PESQ) was used to test the performance of the proposed method. Experimental results show that the proposed method achieves a PESQ value of 1.903 for 2.5 kbps and 2.24 for 5 kbps.Öğe Yanıltma Saldırılarını Tespit Edebilen Türkçe Konuşmacı Doğrulama Sistemi(2021) Hanilçi, Cemal; Acır, Nurettin; Gurkan, HakanYanıltma Saldırılarını Tespit Edebilen Türkçe Konuşmacı Doğrulama Sistemi başlıklı proje kapsamında Türkçe konuşma sinyallerinin kullanıldığı bir konuşmacı doğrulama sistemi geliştirilmesi problemi ele alınmıştır. Söz konusu problemin seçilmesinin temel amacı günümüzde yaygın olarak kullanılan ve yüksek başarım gösterdiği belirtilen konuşmacı doğrulama sistemlerinin hemen hemen tamamında İngilizce veritabanları kullanılıyor olmasıdır. Herkes tarafından erişilebilen Türkçe konuşmacı doğrulama veritabanlarının bulunmaması ve araştırmacılar tarafından toplanan verilerin herkesin erişimine açılmaması ve sınırlı sayıda konuşmacıdan oluşan veritabanları olması sebebi ile Türkçe veriler ile yapılan çalışmaların da az sayıda olması ve mevcut popüler ve başarılı yöntemlerin Türkçe veriler ile kullanılmasını zorlaştırmaktadır. Literatürde yer alan başarılı konuşmacı doğrulama sistemlerinin çok fazla miktarda konuşmacıya ait ve çok sayıda konuşma sinyalinin bulunduğu geliştirme kümesine ihtiyaç duyması sebebi ile Türkçe veriler için bu yöntemlerin kullanılması oldukça güçtür. Yaklaşık 25 yıldır düzenli olarak Amerikan Ulusal Bilim ve Teknoloji Enstitüsü (National Institute of Science and Technology ? NIST) tarafından düzenlenen konuşmacı doğrulama ve değerlendirme yarışmalarında araştırmacılara tamamı İngilizce verilerden oluşan konuşmacı tanıma veritabanlarının sağlanması acaba bu veriler Türkçe konuşmacı doğrulama için kullanılabilir mi? sorusunu düşündürmüştür. Bu sorudan yola çıkarak elimizde bulunan oldukça fazla miktarda İngilizce verileri öğrenme aktarımı yöntemi ile kullanarak Türkçe konuşmacı doğrulama sisteminin geliştirilmesi hedeflenmiştir. Bu amaçla proje çalışmalarında toplam 8 farklı konuşmacı doğrulama sistemi geliştirilmiş olup, bu sistemlerden 6 tanesine öğrenme aktarımı yaklaşımı uygulanarak kısıtlı verinin olduğu Türkçe konuşmacı doğrulama sisteminin performansının artırılabileceği gösterilmiştir. Projenin bir diğer önemli hedeflerinden birisi de konuşmacı doğrulama sistemlerine yapılabilecek saldırıları tespit edebilen bir saldırı tespiti sisteminin geliştirilmesidir. Bu projede saldırı tespiti amacı ile ilk olarak 2015 yılında düzenlenen ve proje yürütücüsünün de düzenleme ekibinde yer aldığı uluslararası Otomatik Konuşmacı Doğrulama Yanıltma ve Saldırı Tespiti yarışması için hazırlanan ASVspoof 2015 veritabanı ile 2017 ve 2019 yıllarında düzenlenen aynı isimli yarışma için oluşturulan ASVspoof 2017 ve ASVspoof 2019 veritabanı kullanılmıştır. Ayrıca saldırı tespiti için farklı öznitelikler ve sınıflandırma sistemleri geliştirilmiş olup başarılı bir saldırı tespiti sistemi geliştirilmiştir. Son olarak, geliştirilen konuşmacı doğrulama ve saldırı tespiti sistemleri entegre edilerek hem konuşmacı doğrulama işlemini gerçekleştiren hem de saldırı tespiti yapabilen bir sistem geliştirilmiştir.
