Özkaya, Umut2025-01-212025-01-2120231308-5514https://dergipark.org.tr/tr/download/article-file/2882116https://dergipark.org.tr/tr/pub/umagd/issue/72926/1231940https://hdl.handle.net/20.500.12587/20207In this study, a method based on Convolutional Neural Networks (CNN) and fusion technology was proposed for the classification of vital signals. In order to obtain more information from 1-D radar signals, 2-D data were obtained with the spectrogram technique. An automated classification framework has been implemented by using pre-trained Google Net, VGG-16 and ResNet-50 models. The performance in the test data is increased by applying late fusion process to the highest performing VGG-16 and GoogleNet CNN structures. The performance of the proposed method is 92.54% Accuracy (ACC), 92.41% Sensitivity (SEN), 97.18% Specificity (SPE), 93.54% Precision (PRE), 92.66% F1-Score, and 90.25% Matthews Correlation Constant (MCC). Thanks to the proposed method, radar technology, which is one of the non-destructive detection technologies, comes to the forefront compared to wearable technologiesBu çalışmada hayati sinyallerin sınıflandırılması için Evrişimsel Sinir Ağları (ESA) ve füzyon teknolojine dayalı bir yöntem önerildi. Tek boyutlu radar sinyallerinden daha fazla bilgi edinmek amacıyla spektrogram tekniği ile 2 boyutlu veriler elde edildi. GoogleNet, VGG-16 ve ResNet-50 ön eğitimli ESA kullanılarak otomatik bir sınıflandırma çerçevesi uygulanmıştır. En yüksek performansa sahip VGG-16 ve GoogleNet ESA yapılarına geç füzyon işlemi uygulanarak test verilerindeki performans artırılmıştır. Önerilen yöntemin performans 92.54% Doğruluk (DOĞ), 92.41% Duyarlılık (DUY), 97.18% Özgüllük (ÖZG), 93.54% Hassasiyet (HAS), 92.66% F1-Skoru ve 90.25% Matthews Korelasyon Sabiti (MKS)’dir. Önerilen yöntem sayesinde tahribatsız algılama teknolojilerinden biri olan radar teknolojisi giyilebilir teknolojilere göre daha ön plana çıkmaktadır.eninfo:eu-repo/semantics/openAccessRadarVital SignDeep LearningConvolutional Neural NetworkLate FusionRadarVital SignDeep LearningConvolutional Neural NetworkLate FusionElectrical EngineeringArticle11-2482551231940