Ballı, Tuğçe
Loading...
Profile URL
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
Main Affiliation
Management Information Systems
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Sustainable Development Goals
9
INDUSTRY, INNOVATION AND INFRASTRUCTURE
2
Research Products
11
SUSTAINABLE CITIES AND COMMUNITIES
1
Research Products
16
PEACE, JUSTICE AND STRONG INSTITUTIONS
1
Research Products
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.
Scholarly Output
12
Articles
6
Views / Downloads
115/182
Supervised MSc Theses
3
Supervised PhD Theses
0
WoS Citation Count
9
Scopus Citation Count
11
WoS h-index
2
Scopus h-index
2
Patents
0
Projects
0
WoS Citations per Publication
0.75
Scopus Citations per Publication
0.92
Open Access Source
4
Supervised Theses
3
Google Analytics Visitor Traffic
| Journal | Count |
|---|---|
| International Conference on Digital Presentation and Preservation of Cultural and Scientific Heritage -- Sep 25-28, 2025 -- Burgas, Bulgaria | 2 |
| Entertainment Computing | 1 |
| Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi | 1 |
| International Conference on Information Systems Security and Privacy -- 11th International Conference on Information Systems Security and Privacy, ICISSP 2025 -- 20 February 2025 through 22 February 2025 -- Porto -- 328959 | 1 |
| Journal of Attention Disorders | 1 |
Current Page: 1 / 2
Scopus Quartile Distribution
Competency Cloud
Scholarly Output Search Results
Now showing 1 - 10 of 12
Article Filtre Modelli Öznitelik Seçim Algoritmalarının Eeg Tabanlı Beyin Bilgisayar Arayüzü Sistemindeki Karşılaştırmalı Sınıflandırma Performansları(2023) Bulut, Cem; Ballı, Tuğçe; Yetkin, E. FatihBeyin 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: 4Comparative Classification Performances of Filter Model Feature Selection Algorithms in Eeg Based Brain Computer Interface System(Gazi Univ, Fac Engineering Architecture, 2023) Bulut, Cem; Balli, Tugce; Yetkin, E. FatihBrain-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.Article Citation - WoS: 2Citation - Scopus: 3Decoding Functional Brain Data for Emotion Recognition: A Machine Learning Approach(Assoc Computing Machinery, 2024) Tulay, Emine Elif; Balli, TugceThe 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: 2Citation - Scopus: 1Neural Signatures of Depression: Classifying Drug-Naive Mdd Patients With Time- and Frequency-Domain Eeg Features During Emotional Processing(Iop Publishing Ltd, 2025) Sutcubasi, Bernis; Balli, Tugce; Metin, Baris; Tulay, Emine ElifAccurate classification of major depressive disorder (MDD) remains a significant challenge, particularly because of the confounding effect of medications. This study bridges this gap by focusing on the classification of drug-na & iuml;ve individuals diagnosed with MDD and healthy controls (HCs) using electroencephalogram (EEG) data recorded during emotional processing tasks. This study involved 14 HCs and 14 drug-na & iuml;ve individuals diagnosed with MDD (aged 18-31, 12+ years of education, 12 F/2 M). The participants were presented with positive, neutral, and negative images collected from the International Affective Picture System. The mean power amplitudes of event-related potentials (ERP), including the P200, P300, early, middle, and late components of the late positive potential (LPP), were computed, along with band power features, and used as features for classifiers. A support vector machine model was employed for classification to evaluate the individual contributions of ERP components and band power features and explore the combined effects of ERP components and band power features within themselves. The alpha band power achieved the highest individual classification accuracy among the band power features for negative stimuli (92.86%). The late LPP component was the most discriminative ERP component for positive stimuli, yielding an accuracy rate of 89.29%. Combined analysis of the band power features exhibited high accuracy for both positive and negative stimuli (92.86% each). When the ERP components were combined, the classifier achieved the highest accuracy of 89.29% for both negative and neutral stimuli. Our findings suggest that alpha band power and LPP responses to negative and positive stimuli, respectively, can be used to detect MDD. The comparable performance of individual features to that of the combined feature sets indicates their strength as indicators of emotional processing in MDD. These findings provide valuable insights into the development of more reliable diagnostic tools and treatment monitoring strategies that focus on emotional processing in MDD.Article Citation - WoS: 1Citation - Scopus: 1Differentiating Functional Connectivity Patterns in Adhd and Autism Among the Young People: a Machine Learning Solution(Sage Publications inc, 2025) Sutcubasi, Bernis; Balli, Tugce; Roeyers, Herbert; Wiersema, Jan R.; Camkerten, Sami; Ozturk, Ozan Cem; Sonuga-Barke, EdmundObjective: 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.Master Thesis Sax-lstm'ye Dayalı Tahmini Bakım için Zaman Serisinin Sembolik Tahmini(2024) Güler, Aykut; Yetkin, Emrullah Fatih; Ballı, TuğçeBu çalışma, Sembolik Toplam Yaklaşım (SAX) ve Parçalı Toplam Yaklaşım (PAA) gibi gelişmiş yaklaşımları makine öğrenme algoritmalarıyla birleştirerek endüstriyel ortamlarda tahmine dayalı bakım tahminine yönelik yeni bir yaklaşımı araştırıyor. Çalışma, üretim süreçlerinin dijitalleşmesinin hem fırsatlar hem de karmaşıklıklar getirdiği Endüstri 4.0 bağlamında bakım tahmini konularını ele almayı amaçlıyor. Çalışma, sentetik verileri kullanarak ve çeşitli veri kümesi boyutları, PAA segment uzunlukları ve SAX alfabe boyutlarıyla denemeler yaparak bakım gereksinimlerini doğru şekilde tahmin edebilen sağlam bir algoritma oluşturmayı amaçlıyor. Süreç, SAX ve PAA teknikleri kullanılarak elde edilen etiketli veriler üzerinde makine öğrenimi modellerinin, özellikle de Uzun Kısa Süreli Bellek (LSTM) ağlarının eğitilmesini gerektirir. Algoritmanın performansı, işletme verimliliğini artırmak ve arıza süresini azaltmak için zamanında bakımın kritik olduğu çelik üretim fırınlarından elde edilen gerçek dünya endüstri verileri kullanılarak değerlendirilir. Çalışmanın bulguları, modern veri işleme ve makine öğrenimi yaklaşımlarının endüstriyel varlık yönetimini ve karar verme süreçlerini nasıl iyileştiribileceğine dair öngörüler sağlayarak tahmine dayalı bakım yöntemlerinin artmasına yardımcı oluyor.Conference Object Privacy Preservation for Machine Learning in Iiot Data Via Manifold Learning and Elementary Row Operations(Science and Technology Publications, Lda, 2025) Yetkin, E.F.; Ballı, T.Modern 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.Article Citation - WoS: 1Citation - Scopus: 1Verbal Harassment Detection in Online Games Using Machine Learning Methods(Elsevier Sci Ltd, 2025) Hibatullah, Helmi; Balli, Tugce; Yetkin, E. FatihVideo games have been an inseparable aspect for many throughout their upbringing. The widespread adoption of the internet in the early 2000s has brought video games from the traditional offline media to the online environment. Consequently, people from different parts of the world can play together and communicate in-game with each other. Nowadays, most massively multiplayer online games (MMOs) incorporate voice communication features. Playing video games online with a certain degree of anonymity, along with the ability to verbally communicate with each other, has proven to be a dangerous combination that can breed toxic and abusive behaviors if left unmoderated. This paper proposes a new approach to integrating Whisper, a pre-trained automatic speech recognition (ASR) model, with the well-researched topic of text-based abusive behavior detection. Our proposed verbal harassment detection pipelines yielded an average F-score of 0.899 for all variants tested.Master Thesis Durağan Olmayan Bir Zaman Serisinde Değişim Noktalarının Graf Laplasyan ile Tespiti(2024) Yıldız, Şeyma; Yetkin, Emrullah Fatih; Ballı, TuğçeBu çalışma, durağan olmayan zaman serisi verilerinde değişim noktası tespiti problemine bir çözüm önermektedir. Literatürdeki genel yaklaşımların ötesinde, veri dinamiğine dayalı bir çözüm tasarlamak tahmin kalitesini artırabilmektedir. Bu çalışmada veri dinamiğine bağlı iki grafik tabanlı değişim noktası tespit algoritması önerilmektedir. İlk yaklaşımda Laplacian grafiği oluşturulur ve tespit için eşikten düşük özdeğerlerin sayısı kullanılır. İkinci yaklaşımda Fiedler vektörlerinin işaretleri kümeler halinde gruplandırılarak tespitte kullanılır. Önerilen algoritmaların asıl amacı veri özelliklerindeki değişimi tespit etmektir. Önerilen çözümlerin çıktıları gözlemlenerek değişikliklerin tespiti için başarılı tahminler yapılır. Bu çalışma, optimal bir sayısal algoritma kullanan bir özdeğer çözücü ile endüstriyel bir ortam için çevrimiçi değişim noktası tespit mekanizmasına uyarlanabilir.Master Thesis Yassı Çelik Sanayisinde, Çalışan Ekipmanlarda Titreşım Tabanlı Arıza Potansiyelinin Değerlendirilmesi için Öz Nitelik Çıkarım Yöntemlerinin İncelenmesi(2024) Kaçar, Saygın; Ballı, Tuğçe; Yetkin, Emrullah FatihTahmine 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 sunmaktadır
