Ballı, Tuğçe
Loading...
Name Variants
T. Ballı
Ballı, TUĞÇE
Altuğlu T.
Altuǧlu T.
Ballı, T.
Balli, Tugce
B., Tugce
Tugce, Balli
TUĞÇE BALLI
Tuğçe Ballı
BALLI, Tuğçe
B., Tuğçe
Ballı T.
Ballı, Tuğçe
Ballı,T.
Balli T.
Balli,Tugce
Balli,T.
B.,Tugce
Tuğçe BALLI
BALLI, TUĞÇE
Ballı, TUĞÇE
Altuğlu T.
Altuǧlu T.
Ballı, T.
Balli, Tugce
B., Tugce
Tugce, Balli
TUĞÇE BALLI
Tuğçe Ballı
BALLI, Tuğçe
B., Tuğçe
Ballı T.
Ballı, Tuğçe
Ballı,T.
Balli T.
Balli,Tugce
Balli,T.
B.,Tugce
Tuğçe BALLI
BALLI, TUĞÇE
Job Title
Dr. Öğr. Üyesi
Email Address
tugce.balli@khas.edu.tr
Main Affiliation
Management Information Systems
Status
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Sustainable Development Goals Report Points
SDG data could not be loaded because of an error. Please refresh the page or try again later.
Scholarly Output
6
Articles
4
Citation Count
0
Supervised Theses
1
6 results
Scholarly Output Search Results
Now showing 1 - 6 of 6
Master Thesis Yassı Çelik Sanayisinde, Çalışan Ekipmanlarda Titreşım Tabanlı Arıza Potansiyelinin Değerlendirilmesi için Öz Nitelik Çıkarım Yöntemlerinin İncelenmesi(2024) Ballı, Tuğçe; Ballı, Tuğçe; Yetkin, Emrullah Fatih; Management Information SystemsTahmine dayalı bakım (PdM), sanayide bakım verimliliğini ve üretim süreçlerini iyileştirmek için kullanılan önemli bir veri bilimi uygulamasıdır. Sensör tabanlı izleme ve bakım raporları gibi güvenilir verilere sahip olmak, PdM modellerinin başarısı için kritiktir. Ancak, bakım verilerinin kullanımıyla ilgili zorluklar nedeniyle, bu modellerin uygulanmasında bakım ekiplerinin ve uzmanların desteğine ihtiyaç duyulur. En büyük sorun, zaman kısıtlamaları nedeniyle bakım ekiplerinin kapsamlı ve etiketli veri sağlamasının zor olmasıdır, bu da verilerin eksik veya sınırlı kalmasına yol açar. Çok sayıda durum izleme veri seti bulunsa da küçük çaplı bakım işlemleri için etiketlenmiş veri setleri nadirdir. Bu boşluğu doldurmak için, bu tez çalışmasında insan müdahalesine gerek kalmadan etiket üretmeyi hedefleyen bir yaklaşım önerilmektedir. Bu tezde, kritik varlıklardan toplanan titreşim verilerinden bilgi çıkarmak için gerçek zamanlı değişim noktası tespiti (CPD) algoritmalarının kullanılması önerilmektedir. Değişim noktalarını otomatik olarak tespit ederek ham veriyi anlamlı özelliklere dönüştürmek, makine öğrenmesi modellerini iyileştirir ve PdM modellerinin doğruluğunu artırır.CPD yönteminin uygulanabilirliğini göstermek için bir üretim şirketinden alınan titreşim verileri kullanılmıştır. Çalışmanın bulgularını desteklemek için etiketli bir veri seti de kullanılmıştır. Sonuçlar, CPD yaklaşımlarının tahmine dayalı bakım operasyonlarını iyileştirme potansiyelini göstermektedir. Bu kapsamlı yaklaşım, bakım uygulamalarının güvenilirliğini ve endüstriyel sistemlerin uzun vadeli güvenilirliğini artırmada uygulama alanları sunmaktadırArticle Citation - WoS: 1Citation - Scopus: 2Decoding Functional Brain Data for Emotion Recognition: A Machine Learning Approach(Assoc Computing Machinery, 2024) Ballı, Tuğçe; Balli, Tugce; Management Information SystemsThe identification of emotions is an open research area and has a potential leading role in the improvement of socio-emotional skills such as empathy, sensitivity, and emotion recognition in humans. The current study aimed at using Event Related Potential (ERP) components (N100, N200, P200, P300, early Late Positive Potential (LPP), middle LPP, and late LPP) of EEG data for the classification of emotional states (positive, negative, neutral). EEG datawere collected from 62 healthy individuals over 18 electrodes. An emotional paradigm with pictures from the International Affective Picture System (IAPS) was used to record the EEG data. A linear Support Vector Machine (C = 0.1) was used to classify emotions, and a forward feature selection approach was used to eliminate irrelevant features. The early LPP component, which was the most discriminative among all ERP components, had the highest classification accuracy (70.16%) for identifying negative and neutral stimuli. The classification of negative versus neutral stimuli had the best accuracy (79.84%) when all ERP components were used as a combined feature set, followed by positive versus negative stimuli (75.00%) and positive versus neutral stimuli (68.55%). Overall, the combined ERP component feature sets outperformed single ERP component feature sets for all stimulus pairings in terms of accuracy. These findings are promising for further research and development of EEG-based emotion recognition systems.Article Citation - WoS: 0Citation - Scopus: 0Differentiating Functional Connectivity Patterns in Adhd and Autism Among the Young People: a Machine Learning Solution(Sage Publications inc, 2025) Ballı, Tuğçe; Balli, Tugce; Roeyers, Herbert; Wiersema, Jan R.; Camkerten, Sami; Ozturk, Ozan Cem; Sonuga-Barke, Edmund; Management Information SystemsObjective: ADHD and autism are complex and frequently co-occurring neurodevelopmental conditions with shared etiological and pathophysiological elements. In this paper, we attempt to differentiate these conditions among the young people in terms of intrinsic patterns of brain connectivity revealed during resting state using machine learning approaches. We had two key objectives: (a) to determine the extent to which ADHD and autism could be effectively distinguished via machine learning from one another on this basis and (b) to identify the brain networks differentially implicated in the two conditions.Method: Data from two publicly available resting-state functional magnetic resonance imaging (fMRI) resources-Autism Brain Imaging Data Exchange (ABIDE) and the ADHD-200 Consortium-were analyzed. A total of 330 participants (65 females and 265 males; mean age = 11.6 years), comprising equal subgroups of 110 participants each for ADHD, autism, and healthy controls (HC), were selected from the data sets ensuring data quality and the exclusion of comorbidities. We identified region-to-region connectivity values, which were subsequently employed as inputs to the linear discriminant analysis algorithm.Results: Machine learning models provided strong differentiation between connectivity patterns in participants with ADHD and autism-with the highest accuracy of 85%. Predominantly frontoparietal network alterations in connectivity discriminate ADHD individuals from autism and neurotypical group. Networks contributing to discrimination of autistic individuals from neurotypical group were more heterogeneous. These included language, salience, and frontoparietal networks.Conclusion: These results contribute to our understanding of the distinct neural signatures underlying ADHD and autism in terms of intrinsic patterns of brain connectivity. The high level of discriminability between ADHD and autism, highlights the potential role of brain based metrics in supporting differential diagnostics.Article Filtre Modelli Öznitelik Seçim Algoritmalarının Eeg Tabanlı Beyin Bilgisayar Arayüzü Sistemindeki Karşılaştırmalı Sınıflandırma Performansları(2023) Bulut, Cem; Ballı, Tuğçe; Ballı, Tuğçe; Yetkin, Emrullah Fatih; Yetkin, E. Fatih; Business Administration; Management Information SystemsBeyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.Article Citation - WoS: 3Citation - Scopus: 3Comparative Classification Performances of Filter Model Feature Selection Algorithms in Eeg Based Brain Computer Interface System(Gazi Univ, Fac Engineering Architecture, 2023) Bulut, Cem; Ballı, Tuğçe; Balli, Tugce; Yetkin, Emrullah Fatih; Yetkin, E. Fatih; Business Administration; Management Information SystemsBrain-computer interface (BCI) systems enable individuals to use a computer or assistive technologies such as a neuroprosthetic arm by translating their brain electrical activity into control commands. In this study, the use of filter-based feature selection methods for design of BCI systems is investigated. EEG recordings obtained from a BCI system designed for the control of a neuroprosthetic device are analyzed. Two feature sets were created; the first set was band power features from six main frequency bands (delta (1.0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta (12-25 Hz), high-beta (25-30Hz) and gamma (30-50 Hz)) and the second set was band power features from ten frequency sub-bands (delta (1-4 Hz), theta (4-8 Hz), alpha1 (8-10 Hz), alpha2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gamma1 (30-35 Hz), gamma2 (35-40 Hz), gamma3 (40-50 Hz)). Ten filter-based feature selection methods are investigated along with linear discriminant analysis, random forests, decision tree and support vector machines algorithms. The results indicate that feature selection methods leads to a higher classification accuracy and eigen value centrality (Ecfs) and infinite feature selection (Inffs) methods have consistently provided higher accuracy rates as compared to rest of the feature selection methods.Conference Object Citation - Scopus: 0Privacy Preservation for Machine Learning in Iiot Data Via Manifold Learning and Elementary Row Operations(Science and Technology Publications, Lda, 2025) Ballı, Tuğçe; Ballı, T.; Management Information SystemsModern large-scale production sites are highly data-driven and need large computational power due to the amount of the data collected. Hence, relying only on in-house computing systems for computational workflows is not always feasible. Instead, cloud environments are often preferred due to their ability to provide scalable and on-demand access to extensive computational resources. While cloud-based workflows offer numerous advantages, concerns regarding data privacy remain a significant obstacle to their widespread adoption, particularly in scenarios involving sensitive data and operations. This study aims to develop a computationally efficient privacy protection (PP) approach based on manifold learning and the elementary row operations inspired from the lower-upper (LU) decomposition. This approach seeks to enhance the security of data collected from industrial environments, along with the associated machine learning models, thereby protecting sensitive information against potential threats posed by both external and internal adversaries within the collaborative computing environment. © 2025 by SCITEPRESS – Science and Technology Publications, Lda.
