No abstract

Despite the advances in biomedical signal processing in recent years, the need for fast and highly accurate diagnostic systems for the detection of lung disorders continues. In the study, 150 normal and 444 abnormal lung sounds obtained by automatic detection of respiratory cycles from 94 different people by physical examination were used as a database. Then, 12 different feature extraction methods were applied in the time and frequency domain. Features were evaluated using embedded and wrapper feature selection methods. These methods are recursive feature elimination, adaptive structure learning, dependence-guided unsupervised feature selection, unsupervised feature selection with ordinal locality, feature selection via concave minimization, least absolute shrinkage, and selection operator feature selection methods. Features are classified by linear support vector machines, k nearest neighbor, decision trees, and naive Bayes classification methods. As a result, when the number of features is not limited, 97.3% accuracy is obtained when the recursive feature elimination method is used together with the k nearest neighbor classifier. In the case where the number of features is limited to three, the classification accuracy of 91.4% was achieved using the adaptive structure learning feature selection method and the decision trees.

ÖzYapılan çalışmada, tek kanallı yaygın akciğer sesleri kullanılarak patolojik ve sağlıklı denekler üzerinde detaylı bir öznitelik analizi gerçekleştirilmiştir. 94 kişiden elde edilen normal, ronküs, ince ral ve kaba ral seslerine ait 594 adet solunum döngüsünün otomatik tespiti ile elde edilen veri tabanı kullanılmıştır. Daha sonra, sıfır geçiş oranı, enerji, enerjinin entropisi, spektral merkezilik, bir çerçevenin yayılımı, spektral entropi, spektral akı, spektral devrilme, Mel-frekans cepstral katsayıları, harmonik oran, pencerenin temel frekansı ve renk vektörü öznitelik çıkarma yöntemleri veri tabanına uygulanmıştır. Sonsuz gizli öznitelik seçimi, sonsuz öznitelik seçimi, özvektör merkeziliği, minimum artıklık, maksimum ilgililik, relief, karşılıklı bilgi, laplace skoru, çoklu küme, fisher, denetimsiz ayrımcı, yerel öğrenmeye dayalı kümeleme, korelasyona dayalı öznitelik seçim yöntemleri eğitim aşamasında kullanılmıştır. Sınıflandırma için destek vektör makinesi, k en yakın komşu, naive bayes ve karar ağaçları algoritmaları kullanılmıştır. Sonuç olarak, öznitelik sayısı sınırlı olmadığı durumda, k en yakın komşuluk sınıflandırıcısı ve çoklu küme öznitelik seçim yöntemi kullanılarak %97,5 sınıflandırma doğruluğu elde edilmiştir. Öznitelik sayısı 3 ile sınırlandırıldığında ise k en yakın komşu sınıflandırıcısı ve özvektör merkeziliği veya sonsuz öznitelik seçimi yöntemleri kullanılarak %91,6 sınıflandırma doğruluğu elde edilmektedir.

Kuantum Sonrası Kriptografi son yıllarda oldukça aktif araştırma alanlarından biri haline gelmiştir.Kuantum çağına uygun, güvenli ve çok geniş bir uygulama alanında kullanıma uygun anahtar paylaşım mekanizmaları ve dijital imza algoritmaları tüm insanlık için kritik ihtiyaçlardandır. Buna yönelik olarakNIST tarafından organize edilen standartlaştırma süreci halen devam etmektedir. Sürecin final aşamasına kadar ulaşan aday anahtar kapsülleme mekanizmalarından birisi de bu alanda bilinen en eski algoritmalarından olan NTRU’dur. Tam sayı kafesler üzerinde tanımlanan En Kısa Vektör Problemi ile kurgulanan NTRU algoritması kuantum sonrası haberleşme sistemleri için hızlı ve güvenli bir alt yapı sunmaktadır. NTRU ile hem klasik bilgisayarlar hem de kuantum bilgisayarlarla yapılabilen ataklara karşı dayanıklı ve ölçeklendirilebilir bir anahtar paylaşım sistemi tasarlanabilir. Ancak bir algoritmanın teorik olarak başarılı olması onun pratik anlamda da uygulanabilir olması anlamına gelmez. Bir algoritmanın dijital sistemlerde kullanılabilir olması için yeterince yüksek performanslı ve verimli olarak çalıştırılabilmesi gerekir. Kriptografi uygulamaları gömülü sistemlerde de yaygın olarak kullanılmaktadır. Bu nedenle Kuantum Sonrası Kriptografi algoritmalarının hızlı ve verimli bir şekilde çalışmasını sağlayacak donanım hızlandırıcılar geliştirilmelidir. Bu çalışmada, NTRU için tasarlanmış, Taşıma Tetiklemeli Mimari işlemcilerde kullanılabilecek donanım hızlandırıcılar önerilmektedir. Ayrıca bu komutların eklendiği 64-bit işlemci tasarımı performans, enerji tüketimi ve yonga alanı açısından endüstride yaygın olarak kullanılan RISC-V mimarili işlemcilerle karşılaştırılmaktadır.