İşitme kaybı değerlendirmesinde makine öğrenmesi tabanlı tahmin ve anomali tespiti
Machine learning based-prediction and anomaly detection in hearing loss assessment
- Tez No: 1020904
- Danışmanlar: PROF. DR. YUSUF SAİT TÜRKAN, DR. ÖĞR. ÜYESİ MESUT ULU
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Odyoloji, Industrial and Industrial Engineering, Audiology
- Anahtar Kelimeler: Anomali tespiti, Destek vektör regresyonu, Gradient boosting regresyon, Yapay sinir ağları, Çok değişkenli regresyon, Ölçmeye dayalı tahmin, Anomaly detection, Support vector regression, Gradient boosting regression, Artificial neural networks, Multivariate regression, Measurement estimation
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, işitsel değerlendirmenin yapıtaşlarını oluşturan saf ses odyometrisi ve konuşma odyometrisi testlerinin hasta yanıtına bağımlı subjektif doğası dikkate alınarak, manipülasyona açık bu ölçümlerdeki subtil tutarsızlıkların algoritmik olarak tespit edilmesi amacıyla makine öğrenmesi tabanlı iki aşamalı bütüncül bir denetim çerçevesi önerilmektedir. Çalışma, gerçek klinik kayıtlar ile literatür temelli simülasyon stratejilerinin (Pattern A-D) entegre edildiği hibrit bir veri mimarisi üzerine kurgulanmaktadır. Önerilen iki aşamalı yaklaşımın ilk aşamasında, RF, XGBoost, SVR, MLP ve DNN modelleri aracılığıyla SRT, WRS ve MCL konuşma odyometrisi parametrelerinin sürekli değer kestirimi gerçekleştirilerek klinik olarak beklenen odyometrik değerlere yönelik bir referans düzlemi sunulmaktadır. İkinci aşamada ise bu referans düzleminden sapma gösteren işitsel kayıtlar, organik olmayan işitme kaybı şüphesi taşıyan tutarsız yanıt paternleri olarak RF, XGBoost ve SVM modelleriyle sınıflandırılmaktadır. Bulgular, SRT, WRS ve MCL kestiriminde sırasıyla MLP, SVR ve XGBoost modellerinin daha kararlı tahmin performansı sergilediğini ve konuşma odyometrisi ile saf ses eşikleri arasındaki non-lineer ilişkilerin klinik tolerans sınırları (±5 dB) içerisinde modellenebileceğini göstermektedir. Anomali tespiti görevinde ise RF ve SVM modellerinin geleneksel eşik temelli kuralları hem duyarlılık (95.83) hem de özgüllük (95.12) bazında geride bıraktığı görülmektedir. Bu bulgular modern makine öğrenmesi modellerinin odyolojik değerlendirme sürecini sadece hızlandırmakla kalmadığını, aynı zamanda objektif bir denetim mekanizması sunarak hasta yanıtına bağımlı sübjektif test süreçlerini destekleme potansiyelini ortaya koymaktadır.
Özet (Çeviri)
In this study, given the subjective nature of pure-tone and speech audiometry tests—which form the building blocks of auditory assessment—and their susceptibility to manipulation, a two-stage, machine-learning-based comprehensive monitoring framework is proposed to algorithmically detect subtle inconsistencies in these measurements. The study is structured upon a hybrid data architecture in which real clinical records are integrated with literature-based simulation strategies (Patterns A–D). In the first stage of the proposed two-stage approach, continuous-value estimation of speech audiometry parameters, namely SRT, WRS, and MCL, is performed using RF, XGBoost, SVR, MLP, and DNN models, thereby providing a reference plane for clinically expected audiological values. In the second stage, auditory records deviating from this reference plane are classified using RF, XGBoost, and SVM models as inconsistent response patterns suggestive of non-organic hearing loss. The findings indicate that, owing to the predictive stability demonstrated by the MLP, SVR, and XGBoost models in estimating SRT, WRS, and MCL, respectively, the non-linear relationships between speech audiometry and pure-tone thresholds can be modeled within clinically acceptable tolerance limits (±5 dB). In the anomaly detection task, RF and SVM models outperformed conventional threshold-based rules in terms of both sensitivity (95.83%) and specificity (95.12%). Overall, these findings demonstrate that modern machine learning models not only accelerate the audiological assessment process but also have the potential to support patient-response-dependent subjective testing procedures by providing an objective monitoring mechanism.
Benzer Tezler
- Meniere hastalığında endolenfatik kese cerrahisi
Endolymphatic sac surgery in meniere's disease
NEBİL GÖKSU
Tıpta Uzmanlık
Türkçe
1987
Kulak Burun ve BoğazGazi ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF.DR. NECMETTİN AKYILDIZ
- Pasif güneş enerjisi sistemi ile bina ısıtılmasının ekonomik analizi
Başlık çevirisi yok
AHMET AKDENİZ
- Temel boyutlarıyla müziksel işitmenin incelenmesi
Research in musical audibility with it's basic dimensions
MEHLİKA DÜNDAR
- Gaz atomizasyon yöntemi ile hızlı katılaştırılmış kalay - %15 kurşun tozu üretiminin deneysel ve matematik modellemesi
Başlık çevirisi yok
NURETTİN YAVUZ