The computerized respiratory sound analysis systems provide vital information concerning the current condition of the lung. These systems, used by physicians for the diagnosis of diseases, help to classify respiratory sounds. Because each physician has different knowledge and experience, there is a problem with diagnosing and treating respiratory system diseases. This study will help the physician to decide in various difficult diagnostic situations easily. For this purpose, different machine learning classifiers and feature extraction models have been constituted to classify respiratory sounds as healthy and patient then its results were compared. In this study, Empirical Mode Decomposition, Mel Frequency Cepstral Coefficients, and Wavelet Transform methods are used for feature extraction, while k Nearest Neighbor, Artificial Neural Networks, and Support Vector Machines are used for classification. The best accuracy was 98.8% by using combination Mel Frequency Cepstral Coefficient and k Nearest Neighbor methods.

Bu çalışma ile günlük yaşamda ev ortamında gerçekleştirilen bazı rutin işlerin internet üzerinden akıllı cep telefonu, tablet veya Wifi desteği olan TV üzerinden kablosuz olarak uygulaması yapılmıştır. Sulama, ısı, ışık düzeyi, vb. parametreler de internet üzerinden periyodik veya isteğe bağlı kontrol edilerek insan hayatını kolaylaştıran uygulamalar incelenmiştir. Bu amaçla kontrol sisteminin verimini maksimumda tutabilmek için düşük güç tüketimi ve performansıyla öne çıkan MSP432 mikrokontrolör kullanılmıştır. Bu çalışma, mevsimsel sıcaklıklara göre ev ortamında sıcaklık kontrolü ve bahçe sulamasını ayarlamak için gelecekteki tam otomatik sistemlere bir örnek olarak kullanılabilir. Ayrıca evde yatağa bağımlı bir hastanın aniden bir sağlık problemi ile karşılaşması durumunda bir hasta takip senaryosu da içermektedir. Ev ortamını birebir yansıtabilmek ve kontrol edilen parametrelerin rahatça gözlemleyebilmek için tez çalışmasında ev maketi tasarımı yapılmıştır. Ev otomasyonu sisteminde kontrol edilmek istenen her bir parametreye ait sensör, sistemin konforunu arttırması için mikrokontrolörle kablosuz haberleşmektedir. Alıcı ve verici arasındaki kablosuz veri aktarımı ESP8266 modülüyle sağlanmaktadır. Sistemin hem verimli veri işleme hem de gelişmiş düşük güç tüketimi konusunda sorunsuz çalışabilmesi için MSP432 mikrokontrolör tercih edilmiştir. İnternet üzerinden kullanıcı bilgileri girildikten sonra ev otomasyon sistemine erişim sağlanmaktadır. İnternet arayüz programı ile ev ortamının haberleşebilmesi için MQTT haberleşme protokolü kullanılmaktadır. Evdeki herbir parametre anlık olarak gözlemlenebilmekte ve istenildiği zaman müdahale edilebilmektedir

Cardiovascular diseases remain a leading cause of mortality worldwide, emphasizing the importance of early diagnosis. Heart sound analysis offers a non-invasive avenue for detecting cardiac abnormalities. This study systematically evaluates the effect of segmentation on phonocardiogram (PCG) classification performance. Unlike conventional fixed-window or HSMM-based methods, a data-adaptive segmentation approach combining Shannon energy and Otsu thresholding is proposed. After segmentation, features are extracted using Empirical Mode Decomposition (EMD) and Mel-Frequency Cepstral Coefficients (MFCCs), followed by classification with k-Nearest Neighbor (kNN), Support Vector Machine (SVM), and Random Forest (RF). Experiments on the PhysioNet/CinC 2016 and Pascal datasets revealed that segmentation markedly enhances classification accuracy. The optimal results were achieved using kNN with segmented EMD features, attaining 99.97% accuracy, 99.98% sensitivity, and 99.96% specificity; segmented MFCC features also provided high accuracy (99.37%). In contrast, non-segmented models yielded substantially lower performance. Principal Component Analysis (PCA) is applied for dimensionality reduction, preserving classification efficiency while minimizing computational cost. These findings demonstrate the critical importance of effective segmentation in heart sound classification and establish the proposed Shannon–Otsu-based method as a robust, interpretable, and resource-efficient tool for automated cardiac diagnostics. Using annotated PhysioNet recordings, segmentation achieved ~90% sensitivity for S1/S2 detection. A limitation is the absence of full segment annotations in the Pascal dataset, which prevents comprehensive timing-error evaluation.

Elektrokardiyografik sinyallerdeki aritmileri otomatik olarak teşhis etmek ve kalp atım tipini sınıflandırma için yeni yöntemler geliştirilmektedir. Bu çalışmada, veri kümelemesi için Ateş böceği(AB) ve Bulanık C-Ortalama (BCO) algoritmalarını kullanarak K-En Yakın Komşuluk (K-EYK) yöntemiyle EKG aritmilerinin sınıflandırmasını gerçekleştirdik. Ateş böceği algoritmasının sonuçları, Bulanık C-Ortalama algoritması başarı sonuçları ile karşılaştırılmıştır. EKG verileri MITBIH veri tabanından elde edilmiştir. Ateş böceği  ve Bulanık C-Ortalama algoritmalarını kullanarak, sınıflandırma doğruluk oranı sırasıyla %99,47 ve %99,54 olarak bulunmuştur. 

This study aims to classify finger movements using electromyography (EMG) signals and deep learning models. Leveraging the potential of EMG signals for prosthetic control, diagnosis, and biomedical applications, a dataset of 350 trials was created by recording five repetitions of seven different finger movements from ten healthy volunteers. During the data processing stage, signal separation was performed using the FastICA method to resolve conflicts in finger-channel mapping. Subsequently, features were extract-ed using Time-Domain Descriptors (TDD), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) modules. The Mutual Information (MI) method was applied for selecting the most discriminative features, and a Fully Connected Neural Network (FCNN) model was chosen for the classification task. The results demonstrated that the model could identify finger movements with high accuracy rates. These findings indicate that deep learning is an effective tool for movement classification in EMG-based systems and point to its applicability in fields such as prosthetic control and rehabilitation technologies.