Welch PSD - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: İşaret İşleme Ödevlerinde Python Karşılaştırması

İçerik Üreticisi — Fri, 26 Sep 2025 07:00:22 +0000

Elektrik–elektronik mühendisliğinde işaret işleme (DSP) ödevleri denince yıllarca ilk akla gelen araç MATLAB oldu. Bunun çok haklı tarihsel ve pedagojik nedenleri var: güçlü toolbox’lar, tek satırda spektrum, filtre tasarımı için hazır fonksiyonlar, zengin dokümantasyon. Ancak son 10–15 yılda bilimsel Python ekosistemi (NumPy, SciPy, Matplotlib, Jupyter, scikit-signal, MNE, librosa, PyWavelets, Numba, CuPy, PyTorch/JAX, Plotly…) öyle bir olgunlaştı ki; lisans maliyeti ve dağıtılabilirlik avantajlarıyla birlikte ödev/ders/proje hattında Python pratik olarak tam bir alternatif haline geldi.

Bu rehber, “İşaret İşleme Ödevlerinde Python Karşılaştırması” başlığı altında iki şeyi yapıyor:

Uçtan uca bir Python DSP çalışma düzeni (kurulum → veri alma → filtreleme → spektrum → özellik çıkarımı → görselleştirme → rapor) kuruyoruz.
MATLAB ile kavram düzeyinde ve iş akışı düzeyinde karşılaştırıp hangi durumda hangisini seçmenin daha mantıklı olduğuna dair somut, ölçülebilir kriterler veriyoruz.

Her bölüm örnek olaylar, küçük kod iskeletleri (yoruma açık, kopyala-çalıştır mantığına değil metodolojiye odaklı), kontrol listeleri ve sık yapılan hatalara hızlı çözümler içerir. Ödev pratiğine birebir kullanılabilir.

1) Python DSP ekosisteminin yapı taşları (ve MATLAB analoğu)

NumPy: N-boyutlu diziler, çizgisel cebir. (MATLAB: temel matris dilinin kendisi)
SciPy (signal): IIR/FIR tasarım, dönemogram, Welch, filtfilt, resampling, konvolüsyon, pencereler. (MATLAB: Signal Processing Toolbox)
Matplotlib / Plotly: Spektrum, spektrogram, zaman-frekans grafikleri. (MATLAB: plotting)
scikit-signal / PyWavelets: Tepe bulma, dalgacık, sinyal özellik çıkarımı. (MATLAB: Wavelet Toolbox)
librosa: Ses/speech için MFCC, mel spektrogram, tempogram. (MATLAB: Audio Toolbox)
MNE-Python: EEG/MEG için iş akışları. (MATLAB: EEGLAB/FieldTrip ekosistemleri)
Numba/CuPy: JIT ve GPU ivmesi. (MATLAB: Parallel Computing Toolbox + GPU Coder)
Jupyter: Canlı defter, anlatım + kod + grafik tek yerde. (MATLAB Live Script)
Pandas/xarray: Çok kanallı, zaman damgalı veri çerçeveleri. (MATLAB timetable)

Kontrol listesi (ödev başı kurulum): numpy, scipy, matplotlib, ipykernel, jupyter, pandas, scipy.signal, librosa, pywt, numba (isteğe bağlı cupy), plotly. Sanal ortam (venv/conda) şart.

2) İş akışının omurgası: “ham veri → temiz → özellik → model → rapor”

Veri alma: .wav, .csv, DAQ/seri, sensör logu.
Ön-işleme: Detrend, DC offset giderme, normalizasyon, pencereleme.
Filtreleme/yeniden örnekleme: Anti-alias, IIR/FIR, band-limit, resample_poly.
Analiz: FFT/Welch, spektrogram, dalgacık, envelope, Hilbert, cepstrum, MFCC, AR-model.
Özellik çıkarımı: Band güçleri, tepe frekans, RMS, crest factor, entropi, formant/MFCC, HHT.
Sınıflama/tahmin (varsa): scikit-learn/PyTorch ile pipeline.
Görselleştirme ve rapor: Jupyter + Markdown; sonuçlar PNG/HTML/PDF.

Mini şablon: Tek dosyada fonksiyonlara böl, her adımın giriş-çıkış kontratını yaz. “Not defterine kod yığma” yerine modüler yaklaşım.

3) Filtre tasarımı: IIR/FIR seçimleri (Python vs MATLAB yaklaşımı)

IIR (Butterworth/Chebyshev/Elliptic): Daha düşük mertebede hedefe varır; faz doğruluğu gerekmediğinde.
FIR (Pencere/karesel/remez): Doğrusal faz, kararlılık kolay; ancak daha yüksek mertebe ve gecikme.
Python’da: scipy.signal.butter/cheby/ellip, firwin, remez, sıfır faz için filtfilt.
MATLAB’daki ile tasarım kalitesi eşdeğerdir; fark arayüz ve görselleştirme kolaylığı tarafında çıkar (MATLAB’ın app-designer tabanlı Filter Designer’ı vs Python’da sosfreqz + Matplotlib).

Uygulamalı örnek (ses gürültü azaltma): 16 kHz konuşmada 50/60 Hz hum + yüksek frekans hissini bastırmak için 80–3800 Hz band-pass FIR (firwin) ve sıfır faz filtfilt. Ek olarak spectrogram ile önce-sonra karşılaştır.

4) Spektrum ve güç yoğunluğu: Welch, dönüştürme ve ölçekler

FFT tek bir pencere: hızlı ama gürültüye duyarlı.
Welch (ortalama PSD): SNR artırır, varyansı düşürür. Parametre seçimi kritik: pencere tipi, örtüşme, segment uzunluğu.
Python: scipy.signal.welch, periodogram, csd.
Ölçek: Tek-taraflı/çift-taraflı, dB/lineer, enerji korunumuna dikkat.

Örnek vaka (titreşim analizi): Rulman arızasında 1–3 kHz bandında harmonikler; Welch ile tepe belirginleşir, find_peaks + eşikleme ile arıza frekansı bulunur.

5) Zaman-frekans analizleri: STFT, dalgacık, Hilbert–Huang

STFT/spektrogram: Kararlı olmayan sinyallerde bantların zamana yayılımını gör. (scipy.signal.stft, spectrogram)
Wavelet (CWT/DWT): Çok ölçekli; darbeler, transient’ler. (pywt.cwt/dwt)
HHT (EMD + Hilbert): Mod bileşenleri üzerinden anlık frekans. (Python: PyEMD)

Kısa karşılaştırma: MATLAB’ın Wavelet/Time-Frequency araçları GUI ile öğretici; Python’da kodla yaklaşım daha tekrar üretilebilir ve rapora gömülmesi kolay.

6) Yeniden örnekleme, anti-alias ve çok oranlı sistemler

resample_poly (SciPy) en pratik ve sayısal açıdan sağlam yeniden örnekleme; polifaz FIR ile yüksek kalite.
Çok oranlı (multirate) yapılar: downsample/upsample/decimate/interp.
Saat ofseti ve drift için resample yerine faz kilidi/peak align teknikleri (ses/video senkronu).

Sık hata: Sadece signal.resample(N) kullanıp istenmeyen spektral sızıntı oluşturmak. Çözüm: resample_poly + düzgün cutoff.

7) Sinyal özellik çıkarımı: “Ödevte puanı getiren tablo”

Zaman alanı: RMS, tepe, tepe-tepe, crest factor, zarf (Hilbert), zero-crossing rate.
Frekans alanı: Tepe frekans, bant güçleri, spectral centroid, entropi.
Ses/konuşma: MFCC, formantlar, pitch (YIN/CREPE), SNR tahmini.
Biyomedikal: EEG band güçleri (delta-theta-alpha-beta), HRV ölçümleri (R-tepe).
Mekanik: Kurtosis, skewness, cepstrum (dişli/rotor).

Python tarafında özellik çıkarımı fonksiyonlarını küçük “brick”ler olarak yazıp tekrar kullanmak çok kolay; MATLAB’da da mümkündür ama Python paketleme/dağıtım (pip) kültürü daha yaygındır.

8) Gürültü modelleme ve filtreleme: Wiener, Kalman, spektral kapı

Wiener: İstasyoner gürültü için MMSE tahmini. (scipy.signal.wiener basit; gelişmiş için özelleştirme)
Kalman/RTS: Durum uzayı; takip/filtre/füzyon. (Python: filterpy, pykalman, veya kendi sınıfınız)
Spectral gating (ses): Gürültü profilini tahmin et, spektrumda eşik sür. (librosa.decompose.nn_filter/custom)

Örnek (ECG temizleme): 50 Hz notch + adaptif LMS (Python: numpy ile tek sayfa LMS) → T dalgası bozulmadan hum bastırma.

9) Çok kanallı ve mekânsal işleme: Beamforming, ICA/PCA

PCA/ICA ile bağımsız kaynak ayrıştırma (EEG/EMG, mikser çıkışları). (Python: scikit-learn FastICA)
Beamforming (ses/radar): Delay-and-sum, MVDR; numpy.fft tabanlı frekans alanında uygulanabilir.
Çapraz korelasyon (GCC-PHAT): Zaman farkı (TDoA) tahmini.

MATLAB’ın Phased Array/System Toolbox’ı hazır fonksiyonlarla hızlıdır; Python’da açık kaynak örnekler ve makaleye bire bir sadık şeffaf implementasyon kolaydır.

10) Zaman serisi modelleme: AR/ARMA/ARIMA, Burg, Yule-Walker

AR (Burg/YW): Spektral kestirim ve pürüzsüz PSD. (Python: spectrum paketi, statsmodels.tsa/custom)
ARMA/ARIMA/SARIMAX: Trend, mevsimsellik; mühendislikte koşulsuz gerekli değil ama testlerde puan getirir.
Linear prediction cepstrum (LPC): Speech formant; librosa ve scipy ile uygulanır.

11) Python hızlandırma: Numba, Cython, GPU (CuPy/PyTorch)

Numba JIT: Döngü yoğun kıstasları 10–100× hızlandırabilir.
Cython: Tür ipuçlarıyla C seviyesine yakın performans.
CuPy/PyTorch/JAX: Büyük FFT/konvolüsyonları GPU’ya at; laboransta RTX ile “gerçek zaman”a yaklaş.

MATLAB GPU desteğinde kutudan çıktığı gibi rahat; Python’da kurulum/driver adımı var ama esneklik daha yüksek.

12) Görselleştirme ve raporlama: Jupyter, Matplotlib, Plotly

Jupyter defteri ile metin-kod-grafik aynı yerde; ödevde hakem/jüri için ideal.
Matplotlib statik, Plotly etkileşimli (zoom, hover).
Raporunuzu nbconvert ile PDF/HTML’ye çevirin; versiyon kontrolüne koyun.

13) Dağıtılabilirlik ve tekrarlanabilirlik: lisans, ortam, sürüm

Artı: Python açık kaynak, lisans maliyeti yok; CI/CD ve requirements.txt ile ortam kilitleme.
Eksi: Sürümler arası kırılma riskine karşı env damgalama şart.
MATLAB tarafında tek sürüm kontrolü kolay, ama lisans ve “koşu ortamı” sınırlı.

Ödev teslim ipucu: Jupyter + environment.yml + Makefile (veya küçük invoke görevi) ile tek komutla yeniden inşa.

14) Mini atölye: 4 problem, 4 çözüm şablonu

A) EMG sinyalinde hareket artefaktlarını azaltma

Adımlar: Yüksek geçiren 20 Hz FIR + notch 50 Hz + zarf analizi (Hilbert).
Özellik: MAV, RMS, tepe frekans.
Çıktı: Önce-sonra spektrogram ve sınıflandırma doğruluğu tablosu.

B) Rulman titreşiminde arıza teşhisi

Adımlar: Bant geçiren 2–8 kHz IIR, envelope; Welch PSD; find_peaks.
Özellik: BPFI/BPFO harmoniklerinin amplitüdleri.
Çıktı: Arıza sınıfı (normal/hasarlı) ROC eğrisi.

C) Konuşma gürültü azaltma (şehir gürültüsü)

Adımlar: Spektral kapı + Wiener kombinasyonu, parametre süpürme.
Özellik: PESQ/STOI (ek paketler), spektral centroid/roll-off.
Çıktı: Dinlenebilirlik artışı grafikleri, ses örneği linki.

D) EEG alfa bandı güç haritalama

Adımlar: 8–12 Hz FIR + welch, kanal başına bant gücü.
Özellik: Normalize alfa gücü; topografik ısı haritası (MNE).
Çıktı: Göz açık/kapalı karşılaştırma grafikleri.

15) MATLAB ↔ Python: Hangi durumda hangisi?

Python’ı seçin (ödev/proje bağlamı):

Lisans maliyeti sorun ise veya ekip dağıtık.
Makine öğrenmesi/derin öğrenme ağır kullanılıyorsa (PyTorch/JAX ekosistemi).
Dağıtılabilir betik/servis/cihaz üzerinde koşum (Raspberry Pi/Jetson) gereksinimi varsa.
Jupyter ile anlatımsal-tekrarlanabilir rapor şartsa.

MATLAB’ı seçin:

Kurumsal laboratuvarda hazır toolbox’lar ve GUI tabanlı tasarım belirleyici ise.
Tek tıkla “GUI-odaklı” filtre/sistem tasarlamak ve otomatik rapor almak öncelikliyse.
Bazı özel toolbox’lar (örn. belirli kontrol/HDL/Coder akışları) vazgeçilmez ise.

Hibrit strateji: Tasarım prototipini MATLAB’da yapıp, nihai pipeline’ı Python’da ürünleştirmek—ya da tam tersi.

16) Doğrulama ve test: “Grafik güzel” yetmez, metrik verin

SNR, SDR, THD, SINAD, ENOB: ADC/sinyal zinciri için hesaplayın.
Filtre doğrulama: Geçirgen/stop bant zayıflıkları, grup gecikmesi, faz dalgalanması.
İstatistiksel güven: Ortalama/CI; tekrarlanabilirlik.
Karşılaştırmalı tablo: MATLAB ve Python sonuçlarının farklarını (ε toleransı ile) aynı tabloda verin.

17) Performans ve ölçeklenebilirlik pratikleri

Vektörleştir: Döngüleri mümkün olduğunca NumPy fonksiyonlarına taşı.
Bellek: Büyük FFT’de dtype=np.float32/complex64; ara kopyaları azalt.
Çok çekirdek: joblib, multiprocessing veya dask ile bağımsız pencereleri paralelle.
Profiling: %timeit, line_profiler, snakeviz.

18) Sık yapılan hatalar → hızlı çözümler

Yanlış frekans ekseni: np.fft.fftfreq veya rfftfreq kullan, örnekleme oranını unutma.
Pencere ve ölçekleme hatası: Hamming/Hann, scipy.signal.get_window; enerji korunumunu kontrol et.
filtfilt ile stabilite: IIR mertebesi çok yüksekse sosfiltfilt kullan.
NaN/inf zinciri: Z-skor normalizasyonunda bölme sıfırına dikkat; np.nan_to_num.
Yeniden örneklemede alias: resample_poly + uygun cutoff; tek adımda kes ve indir.
Jupyter karmaşası: Hücre sırası yanlış → “Restart & Run All” disiplini ve seed sabitleme.

19) “Altın” ödev kontrol listesi

environment.yml/requirements.txt ve çalıştırma talimatı.
Veri açıklaması (örnekleme hızı, kanal sayısı, birimler).
Ön-işleme adımları (detrend, normalize, pencere).
Filtre tasarım raporu (tip, mertebe, $f_{c}$ , geçiş bandı, zayıflık).
Spektrum/PSD yöntemi (Welch parametreleri).
Zaman-frekans haritası (STFT/dalgacık).
Özellik seti ve seçimi (tablo).
Doğrulama metrikleri (SNR, RMSE/MAE, ROC, vb.).
Reprodüksiyon: Tek komutla çalıştırma, sabit seed.
Sonuçların yorumu ve sınırlılıklar.

20) 3 günlük “ödev-bitir” Python planı

Gün 1: Ortam kur, veri oku, ön-işleme + temel spektrum; kabaca filtre/mask parametrelerini bul.
Gün 2: Filtreyi finalize et, özellik çıkar, karşılaştırmalı tabloları oluştur.
Gün 3: Jupyter raporunu yaz, grafikleri cilala, Makefile ile tek komut çalıştırmayı ayarla, PDF/HTML üret.

21) Sonuç: Python ile DSP—esnek, ücretsiz, tekrarlanabilir

İşaret işleme ödevleri için Python bugün endüstri-seviye bir seçenektir: NumPy/SciPy temeli güvenilirdir, Jupyter ile belge-kod-grafik tek gövdede birleşir, ML ekosistemi doğal entegrasyon sağlar, dağıtım (pip/conda/docker) ve gömülü cihazlarda koşum kolaydır. MATLAB hâlâ güçlü bir pedagojik ve profesyonel platformdur; seçimi belirleyen şey ihtiyaçlarınız ve teslim bağlamınız olmalı. Bu rehberde sunduğumuz iş akışı ve kontrol listesi ile, Python kullanarak tekrarlanabilir, ölçülebilir, kanıtlı bir DSP ödevi sunabilir; isterseniz aynı projeyi MATLAB ile çapraz doğrulayıp iki dünyanın en iyisini kullanabilirsiniz. En önemlisi: grafiklerinizi metriklerle destekleyin, parametrelerinizi belgelendirin, kodunuzu yeniden üretilebilir kılın—mühendislik tam da budur.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: İşaret İşleme Ödevlerinde Python Karşılaştırması first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Data Acquisition (DAQ) Sistemleri Tasarımında Hızlı Çözümler

İçerik Üreticisi — Tue, 16 Sep 2025 07:00:36 +0000

Bir ölçüm projesinin değeri, yalnızca sensörün hassasiyetinde ya da ADC’nin bit sayısında değil; uçtan uca DAQ mimarisinin (ön uç, örnekleme, sayısallaştırma, tamponlama, zaman senkronu, aktarım, depolama ve yazılım) doğru kurgulanmasındadır. Laboratuvarda “kabloyu takınca çalışan” bir kurgu, sahada parazit (EMI), toprak döngüleri, aliasing, saat jitter’i, sürücü gecikmeleri ve veri bütünlüğü sorunlarıyla kolayca çöker. Bu rehber, ödev/dönem projesi teslimi için hızlı ama mühendisçe bir DAQ çözümü kurmanıza yardım eder: sensör arayüzlerinden anti-alias filtrelerine, ADC seçimi ve ENOB/SINAD hesaplarına, simültane vs. çoklayıcılı (muxed) örneklemeye, izolasyon ve topraklama stratejilerine, tetikleme–zaman senkronu (PTP/PPS/GPS) yöntemlerine, PC/MCU/FPGA tabanlı mimarilere, veri boru hattı (DMA/PCIe/UDP) tasarımına, kalibrasyon–belirsizlik bütçesine ve hızlı yazılım iskeletlerine kadar pratik, tekrarlanabilir adımlar.

1) Hedefleri sayısallaştır: Bant, çözünürlük, gecikme, kanal sayısı

Bir DAQ tasarımına başlamadan önce dört sayı şarttır:

Bant genişliği (Hz): İşaretin önemli içeriği nereye kadar? (ör. 5 kHz titreşim)
SNR/Dinamik aralık (dB): Ne kadar sessiz okumalıyız? (ör. 80 dB)
Kanal sayısı ve eşzamanlılık: Aynı anda mı (simultaneous) yoksa çoklayarak mı?
Gecikme/bant genişliği hedefi: Topla–işle–göster döngüsünde toplam ms; depolama akışı (MB/s).

Ödev ipucu: İlk sayfaya “Ölçüm Özeti” tablosu koyun: Bant: 0–5 kHz, SNR≥70 dB, 8 kanal simultane, gecikme < 50 ms, kayıt 10 MB/s, süre 30 dk.

2) Sensör ön uçlarını doğru seç: Köprü (strain), IEPE, 4–20 mA, 0–10 V, termokupl

Köprü/strain gauge (mV/V): Instrumentation Amplifier (INA), yüksek CMRR ve düşük ofset drift; 4/6-tel bağlantı, shunt kalibrasyon.
IEPE ivmeölçer/mikrofon: 2–4 mA sabit akım besleme, AC kuplaj; IEPE uyumlu giriş gerektirir.
4–20 mA endüstriyel: Shunt direnç (örn. 100 Ω) ile 2–4 V’a çevir; izolasyon ve loop beslemesi.
0–10 V analog: Giriş attenuator + anti-alias LPF; ESD/TVS koruması.
Termokupl (K/J/T…): Soğuk uç (CJC), düşük gürültülü INA, mikrovolt seviyesinde diferansiyel ölçüm, RC/π filtre.

Kontrol listesi: Her sensör tipi için uygulama notu, besleme, ölçüm aralığı, band, koruma, kalibrasyon maddeleri.

3) Anti-aliasing filtresi (AAF) zorunlu: Analogda kapat, dijitalde incelt

Nyquist’ten yüksek bileşenler alias olur, ölçümü kalıcı kirletir.

Kesim f_c: f_s/2’nin %60–80’i hedef; örn. f_s = 20 kS/s → f_c ≈ 6–8 kHz.
Topoloji: Sallen–Key/MFB 2–4. mertebe Butterworth (düz genlik) veya Bessel (grup gecikmesi düz).
Kanal başına AAF: Simültane ADC’lerde her kanal önünde kendi AAF şart.

Mini örnek: 5 kHz titreşim için 12 kHz örnekleme + 2. mertebe Butterworth AAF (f_c=6 kHz). Sonra dijitalde 0.45·f_s’ye sıkı FIR.

4) ADC seçimi: ENOB, SINAD, SNR, THD ve giriş yapısı

ENOB gerçek çözünürlüğü verir: ENOB ≈ (SINAD–1.76)/6.02.
Delta-Sigma ADC: Yüksek çözünürlük, gömülü dijital filtre; düşük-orta bant için (0–100 kHz).
SAR ADC: Düşük gecikme, çok kanallı/mux’lu; orta-yüksek hız (100 kS/s–>10 MS/s).
Pipeline ADC: Yüksek hız (10–100+ MS/s), RF/IF; gecikme büyük.

Giriş topolojisi: Diferansiyel giriş, CMR ve EMI bağışıklığı sağlar. Referans (VREF) kararlı olmalı; ayrı, düşük gürültülü regülasyon.

5) Simültane vs. çoklayıcılı örnekleme

Simultaneous sampling: Her kanalda örnek ve tut (S/H) → faz hizalı veriler (titreşim, güç kalite).
Muxed SAR: Kanallar sırayla; kanallar arası gecikme var. Çok hızlı olaylarda (fazlar arası) hatalı çıkarıma yol açabilir.

Kural: Faz ilişkili sinyaller (3 faz güç, modal analiz) → simültane şart, aksi hâlde yüksek f_s / kanal ve kalibrasyon.

6) Koruma ve ölçekleme: “Önce koru, sonra ölç”

TVS diyot, seri direnç, RC snubber: ESD/Surge’e karşı.
Programlanabilir kazanç (PGA): Ölçüm aralığına göre dinamik aralığı doldur; SNR artar.
Attenuator/voltage divider ve emniyet: 0–10 V/±10 V/±60 V için doğru paylaştırma, yüksek gerilim bariyeri.

7) Topraklama, ekranlama, izolasyon

Diferansiyel ölçüm + ekranlı bükümlü çift (twisted shielded pair).
Yıldız toprak (tek referans noktası), guard ring ve stitching via.
İzolasyon (galvanik): Farklı potansiyellerdeki kaynaklar, endüstriyel sahada izole ADC/AMP veya izole veri hattı (isoSPI/isolated RS-485/USB/Ethernet).

Vaka: 3 faz güç kalite ölçümünde izolasyon olmadan toprak döngüsü → 50 Hz hum + 3. harmonik; izole ön uç ve tek noktadan bağlama ile 18 dB iyileşme.

8) Saat ve jitter bütçesi: Ölçüm kalitesinin görünmeyen katili

Giriş frekansı f_in için jitter SNR_j ≈ –20·log(2π f_in σ_t).

10 kHz’de 100 ps RMS jitter → ~84 dB; 1 MHz’de aynı jitter → ~64 dB.
PLL/TCXO kullanın; saat dağıtımında LVDS/CML ve kısa hatlar.

9) Tetikleme ve zaman senkronizasyonu: Tek cihazdan filoya

Donanımsal tetik: Seviye, kenar, pencere; ön/son tampon (pre/post trigger).
Zaman tabanı: PTP (IEEE 1588), GPS PPS, White Rabbit; çok cihaz/çok şasi ölçümlerde ns–µs seviye.
Kayıt meta verisi: Tetik zamanı, GPS saat, örnekleme hızı, kalibrasyon versiyonu.

10) Veri yolu ve tamponlama: DMA, çerçeveleme, kayıpsız akış

MCU/SoC tarafı: DMA ile ADC → RAM; double-buffer (ping-pong).
FPGA: Yüksek kanal sayısı ve yüksek hızda deterministik boru hattı; FIFO derinliği.
PC aktarma: USB 3.x (pratik), PCIe (yüksek bant), Ethernet/UDP (dağıtık).
Çerçeve formatı: Zaman damgası + kanal ID + CRC; sabit uzunluklu bloklar.

Ödev iskeleti: ADC ISR yok, DMA → ring buffer → iş parçacığı okur → disk/ekran; back-pressure politika (dolma halinde at–uyar).

11) Yazılım yığını: Hızlı prototipten sağlam uygulamaya

Hızlı başlamak için: Python (PyDAQmx/pyserial/pyvisa), MATLAB/Simulink, LabVIEW, Scilab; görselleştirme için matplotlib/plotly.
Gerçek zaman sınırı: 10–20 ms altı için C/C++ (POSIX, RT-patch), Rust veya FPGA offload.
Veri formatı: CSV küçük ölçekte, binary (TDMS/MDF/Parquet) büyük kayıtlarda.
Görsel panel: 1) zaman dalga, 2) spektrum (Welch), 3) trend & KPI (RMS/THD/SINAD).

12) Kalibrasyon ve belirsizlik (uncertainty) bütçesi

Kazanç/ofset kalibrasyonu, CJC (termokupl), bridge zero/span.
Belirsizlik kaynakları: ADC INL/DNL, referans toleransı, termal drift, gürültü yoğunluğu, kablo kayıpları, quantization.
Rapor: ±U (k=2) bandı; ör. 1 kHz RMS gerilim ölçümü 5 Vrms ±0.8% (k=2).

13) Hızlı proje şablonları (3 senaryo)

A) Titreşim (8 kanal, 0–5 kHz)

Sensör: IEPE ivmeölçer (mV/g), kanal başı IEPE akımı 4 mA.
Ön uç: AC kuplaj, 2. mertebe AAF (f_c=6 kHz).
ADC: 24-bit delta-sigma, simültane, f_s=20 kS/s/ch.
Saat: TCXO 10 MHz, jitter < 100 ps.
Yazılım: Welch PSD, bant RMS, cepte CFAR pik dedektörü.
Çıktı: Modal analiz için H1 kestirimi ve tepe frekans izleme.

B) Güç kalitesi (3 faz + nötr, 10 kHz bant)

Ön uç: 0–600 V için bölücü + izolasyon; akım trafosu/şönt.
ADC: 16-18 bit SAR, simültane; f_s=100 kS/s/ch.
Tetik: Sıfır geçiş, pre-trigger 50 ms.
KPI: THD, flicker, dip/swell tespiti; IEC uyumlu pencereleme.

C) Termal harita (32 kanal termokupl, düşük bant)

Ön uç: INA + CJC; çoklayıcılı SAR, f_s=50 S/s/ch.
Dijital: Averaging + median; 50/60 Hz notch.
Depo: Saatlik ortalama + anomali eşik aşımlarında ham veriyi sakla.

14) Hızlı sayılar: SNR, ENOB ve kayıt hızı

12-bit ADC ideal SNR_q ≈ 6.02·12 + 1.76 ≈ 74 dB. Gerçekte ENOB 10–11 olabilir.
8 kanal × 20 kS/s × 24-bit → 3.84 MB/s (başlıklar hariç). 30 dk kayıt ≈ 6.9 GB.
1 MHz giriş, 50 ps jitter → SNR_j ≈ –20 log(2π·1e6·50e-12) ≈ 66 dB.

15) PCB yerleşim ve EMC hızlı rehberi

Analog–dijital ayrımı, tek noktadan birleşim.
Hot loop kısa, ADC referans adası ve yıldız toprağı.
Girişlerde RC ve ESD/TVS; hassas hatlar ekranlı konnektör.
İzolasyon bariyerleri (slot) ve creepage mesafesi.
Saat hatları: kısıtlı uzunluk, dönüş yolu kısa, çift katman ground.

16) Ölçüm güvenilirliği: Test planı (ödevde puan getirir)

Fonksiyonel: Her kanal sinyal/gürültü testi (1 kHz sinüs, 0 dBFS-10 dB).
Lineerlik: INL/DNL hızlı tarama (ramp/çok tonlu test).
Gürültü tabanı: Giriş kısa devre, RMS ve PSD.
Çapraz konuşma: Tek kanala sinyal ver, diğerlerinde sızıntı ölç.
Uzun kayıt: 1–2 saat drop/kayıp paket kontrolü, döngü ısınma etkisi.

17) “Altın” ödev kontrol listesi

Hedef tablo (bant, SNR, kanallar, gecikme, kayıt hızı).
Sensör ön uç şemaları ve AAF kesimleri.
ADC seçimi (ENOB/SINAD), simültane vs mux gerekçesi.
Koruma–PGA–attenuator ve izolasyon kararı.
Topraklama/ekranlama; kablo ve konnektör tipi.
Saat/jitter ve tetik/senkron planı (PTP/PPS).
Veri yolu: DMA, tamponlar, çerçeve formatı.
Yazılım: grafikler, PSD/THD/SINAD metrikleri.
Kalibrasyon ve belirsizlik bütçesi.
Test raporu: gürültü, lineerlik, çapraz konuşma, uzun kayıt.

18) Sık yapılan hatalar → hızlı çözümler

AAF yok, sadece dijital filtre: Alias geri döndürülemez → analogda kes.
Toprak döngüsü: İki uçtan ekran topraklı → uğultu; tek noktaya al.
Muxed ADC ile fazlı ölçüm: Faz kayması → simültane kullan ya da time-skew kalibrasyonu yap.
Yetersiz saat: Jitter SNR’ı düşürüyor → TCXO/PLL ve kısa hat.
UART ile yüksek bant: Kayıp/latans → USB3/PCIe/Ethernet.
Disksiz kayıt: OS tamponu doluyor → doğrudan dosya I/O ve büyük bloklar.

19) Mini “24 saatte DAQ” planı

Gün 1 Sabah: Hedef tablo, sensör haritası, önyüz şeması, AAF hesap.
Gün 1 Akşam: Eval kart + Python/LabVIEW ile ilk veri; PSD/THD metrikleri.
Gün 2 Sabah: DMA/çerçeveleme, tetikleme; uzun kayıt.
Gün 2 Akşam: Kalibrasyon, belirsizlik raporu, grafikli ödev teslimi (PDF + veri örneği).

20) Sonuç: Hızlı çözüm, yalnız “parça” değil; uyumlu bir mimaridir

DAQ, kablo ve ADC toplamı değildir. Sensör ön ucu + AAF + doğru ADC (ENOB/SINAD) + koruma/PGA + izolasyon + saat/jitter disiplini + tetik/senkron + DMA/veri yolu + kalibrasyon ve yazılım birlikte ele alındığında, “hızlı” bir çözüm dahi doğru ve tekrarlanabilir sonuç üretir. Bu rehber, ödevinizde; gereksinimi sayılaştıran bir hedef tablo, sahaya uygun bir ön uç, alias’ı kaynağında kesen AAF, uygulamaya uygun ADC ve sağlam bir veri boru hattıkurmanız için net adımlar sundu. Teslimde grafikler, PSD/THD/SINAD ve belirsizlik bütçesi ile “ölçtüğünüzü ispatlayın”. Ölçüm biliminin saygınlığı, tekrarlanabilirlik ve izlenebilirlikten gelir—DAQ mimarinizi bu iki ilkeye bağladığınızda, proje yalnız çalışmaz; inandırıcı olur.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Data Acquisition (DAQ) Sistemleri Tasarımında Hızlı Çözümler first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Sinyal Gürültü Oranı İyileştirme Teknikleri

İçerik Üreticisi — Fri, 12 Sep 2025 07:00:33 +0000

Sinyal-Gürültü Oranı (SNR), ister bir biyomedikal EKG sisteminde mikrovolt seviyelerinde ölçüm yapın, ister bir radar alıcısında yankı izleyin, ister bir IoT sensöründe düşük güçte veri iletin, performansı belirleyen en kritik ölçektir. SNR’ı “son aşamada” yazılımla makyajlamak çoğu kez yetmez; doğru yaklaşım, kaynak → algılama → koşullandırma → örnekleme → sayısal işleme → karar zincirinin her halkasında gürültüyü azaltmak ve işaret gücünü “muhafaza etmek”tir. Bu rehber, ödev ve dönem projelerinde “SNR’ı nasıl artırırım?” sorusuna donanım + yazılım birleşik bir perspektifle yanıt verir: sensör seçimi, empedans uyumu, analog ön uç (AFE), filtreleme (analog/dijital), örnekleme–quantization gürültüsü, dither, zaman–frekans alanı teknikleri, çoklu örnekleme, enterpolasyon, spektral ortalama, gürültü şekillendirme, uyarlamalı filtreler (LMS/RLS/ANC), istatistiksel yöntemler (Wiener, Kalman), dalgacık tabanlı denoise, sağlam (robust) tahmin, sinyal birleştime (diversity), MIMO/beamforming, hata düzeltme ve ölçüm/raporlama stratejileri. Her bölümde uygulamalı örnek, mini hesap ve kontrol listeleri bulacaksınız.

1) Temel kavramlar: SNR, SNR_eff, SINAD, ENOB ve CNR

SNR: Sinyal gücü / gürültü gücü (genellikle dB).
SINAD: Sinyal + gürültü + distorsiyon; pratikte algılanan kaliteye daha yakın.
ENOB (Effective Number of Bits): ADC’nin gerçek çözünürlüğü; ENOB ≈ (SINAD – 1.76)/6.02.
CNR (Carrier-to-Noise Ratio): Haberleşmede taşıyıcı temelli metrik.
SNR_eff: İşleme zinciri sonundaki etkin SNR; sadece girişe bakmak yanıltıcıdır.

Ödev notu: Ölçtüğünüz her adım için SNR/SINAD/ENOB tablosu tutun; “nerede kaybediyoruz?” sorusunun cevabı görünür olsun.

2) Kaynakta kazanmak: Sensör, empedans ve yerleşim

Sensör seçimi: Termal/Johnson gürültüsü düşük, bant genişliği uygun, duyarlılığı yüksek sensörle başlayın.
Empedans uyumu: Kaynağın ve AFE girişinin eşleşmesi hem bant genişliği hem de gürültü için kritiktir.
Kablo ve konektörler: Kapasitif yük ve harici EMI; bükümlü çift/koaks, kısa hat, ekranlama.
Mekanik/çevresel: Titreşim (mikrofonik etki), sıcaklık drift; gereksiz bant dışını mekanik/akustik olarak bastırın.

Mini vaka: Termokupl ölçümünde uzun kablonun kapasitif yükü spektruma 50/60 Hz hum ekledi; diferansiyel ölçüm + ekran + tek noktadan topraklama ile 12 dB iyileşme.

3) Analog ön uç (AFE): Kazanç, ortak-mod reddi ve bant sınırlama

INA (Instrumentasyon Amplifikatörü): Yüksek CMRR, düşük ofset/şekil faktörü; özellikle biyomedikal ve köprü sensörlerinde.
Ön filtre: Nyquist öncesi analog alçak geçiren filtre (AAF) olmadan aliasing gürültü olur.
Kazanç dağıtımı: Çok yüksek kazancı ilk kademeye yığmayın; doyum + distorsiyon artar. Headroom bırakın.
Bant daraltma: İhtiyacınız kadar bant; “gereksiz geniş bant = daha çok gürültü”.

Kontrol listesi: CMRR>100 dB (uygulamaya göre), giriş referanslama, rail-to-rail gereksinimi, ofset drift, AAF kutup frekansı.

4) Örnekleme ve quantization: Bitler, saat ve jitter

Quantization gürültüsü: SNR_q ≈ 6.02·N + 1.76 dB (tam ölçek sinüs). 12→16 bit artışı ~24 dB teorik kazanç demektir.
Oversampling: f_S’i artırmak quantization gürültüsünü geniş banda yayar; dijital LPF ile işaret bandında SNR iyileşir.
Saat jitter’i: Yüksek frekanslı sinüs/kenarlı işaretlerde SNR_jitter ≈ –20·log(2πf_in·σ_t); düşük jitterli saat veya PLL şart.
Dither: Küçük rastgele gürültü ekleyerek quantization tonlarını istatistiksel gürültüye çevirir; ölçüm cihazlarında yararlıdır.

Uygulama: 1 MHz taşıyıcı ölçen bir sistemde 200 fs RMS jitter → SNR_jitter ≈ 64 dB; saat kalitesi artınca (50 fs) ~12 dB iyileşir.

5) Topraklama ve EMC: Sessiz referans, temiz döngü

Yıldız topraklama ve analog–dijital ayırımı: AGND/DGND tek noktadan birleşsin.
Döngü alanları: “Sıcak döngüleri” küçültün; akım dönüş yolu kestirme olmalı.
Ekranlama: Faraday kafesi, koaks/UTP ekranı, bağlantı noktasında 360° toprak.
Besleme temizliği: LDO + LC filtre, çoklu decoupling (100 nF + 1 µF + 10 µF).
Diferansiyel taşın: EMI’ye bağışıklık ve CMRR ile gürültü düşer.

Mini vaka: ADC referans pini yakınında tek noktadan yıldız toprak + yerel LDO eklenince ENOB 0.7 bit yükseldi.

6) Analog filtreler: RC, Sallen–Key, MFB ve aktif/notch çözümleri

Alçak geçiren (LPF): Anti-aliasing; Butterworth (düz genlik), Chebyshev (keskin geçiş), Bessel (grup gecikmesi).
Notch: 50/60 Hz hum; Twin-T veya aktif notch ile 30–40 dB bastırma.
Yüksek geçiren (HPF): DC ofset ve çok düşük frekanslı drift atımı.
Bant geçiren: Dar bantlı sensörlerde SNR’ı dramatik iyileştirir.

Ödev ipucu: Analog + dijital hibrit: Önce analogda bant sınırlayıp ADC’ye mümkün olan temiz işaret götürün; dijitalde ince işçilik yapın.

7) Dijital filtreler: FIR/IIR, pencere ve çok oranlı işleme

FIR: Lineer faz, kararlı; Parks–McClellan, pencere (Hamming/Blackman).
IIR: Daha az order ile keskin geçiş; faz doğrusal değil (bazen faza duyarsız uygulamalarda idealdir).
Çok oranlı (multirate): Decimation ve interpolation ile bant içi SNR iyileşir; polyphase verimli mimari.
FFT tabanlı filtreleme: Uzun FIR’larda overlap–save/overlap–add.

Uygulama: 8 kHz örnekli EKG’de 50 Hz notch + 0.5–40 Hz bant geçiren FIR ile QRS tespit SNR’ı 14 dB arttı.

8) İstatistiksel tahmin: Wiener, Kalman ve MMC (MMSE/MAP)

Wiener filtresi: İstasyoner süreçlerde minimum ortalama karesel hatayı verir; SNR ve PSD tahmini gerekir.
Kalman/UKF: Durum uzayı modelleri; sensor gürültüsü R ve süreç gürültüsü Q ile zaman-varyant SNR iyileştirme.
MAP/MMSE: Önsel (prior) ile ölçümü birleştirir; düşük SNR’de kararlı sonuç.

Mini vaka: İvmeölçer + entegre odometriden hız kestiriminde Kalman ile 9 dB SNR eşdeğeri kazanım; drift %40 azaldı.

9) Uyarlamalı teknikler: LMS, RLS ve aktif gürültü kontrolü (ANC)

LMS: Referans gürültü mevcutsa (ör. şebeke hum) Adaptive Noise Cancelling ile etkili.
RLS: Daha hızlı yakınsama, daha yüksek hesap yükü.
ANC: Anti-gürültü üretimi; akustik sistemlerde kulaklıklar, motor titreşimi bastırma.

Uygulama: Mikrofon kaydında kompresör uğultusu referansından ANC ile 20–25 dB hum bastırma; konuşma anlaşılırlığı artar.

10) Zaman–frekans yöntemleri: STFT, dalgacık, EMD ve spectrogram temizleme

STFT/Spectrogram: Zamanla değişen spektrumu görselleştirip maskeleme ile gürültü çıkarma.
Dalgacık denoise: Yumuşatma/threshold ile darbeli gürültüye karşı etkilidir.
EMD/CEEMDAN: Modları ayırıp gürültü modlarını bastırma; biyosinyallerde başarılı.

Ödev farkı: Sabit bantlı filtrelerin zayıf kaldığı zamansal değişken gürültülerde dalgacık/EMD gösteriniz dikkat çeker.

11) Ortalama, istifleme ve korelasyonla güç biriktirme

Ortalama (averaging): Tekrarlanan deneylerde √N oranında SNR artışı.
İstifleme (stacking): Radar/ultrason gibi eşzamanlı yankı işleme; hedef yankısı toplanır, gürültü ortalamada azalır.
Korelasyon: Bilinen işaret (preamble, chirp) ile eşleşmeli filtreleme maksimum SNR’ı verir.

Mini vaka: FMCW radarda 64-chirp istifleme ile 18 dB SNR kazancı; zayıf hedef görünür hâle gelir.

12) Çeşitlendirme ve birleştime: Anten/Sensör diversity, MIMO ve beamforming

Zaman/uzay/frekans çeşitlendirme: Farklı yollarla aynı bilgiyi taşımak; en iyi dal (selection), eşlenik toplam(MRC) ile SNR artar.
Beamforming: Faz/ağırlıklarla istenen yönde kazanç, istenmeyen yönde bastırma (null).
MIMO: Çarpan kazancı + çeşitlendirme; STBC/OSTBC ile düşük SNR’de sağlam iletişim.

Uygulama: 4’lü mikrofon dizisinde MVDR beamformer ile arka plandaki gürültü 12 dB bastırıldı.

13) Kodlama, ARQ ve düşük SNR rejimi için hata düzeltme

Kanal kodları: Convolutional/LDPC/Polar; düşük SNR’de BER’i düşürerek etkin SNR kazancı sağlar.
Interleaving: Patlamalı gürültüye dayanım.
ARQ/Hybrid-ARQ: Tekrarlarla güvenilirlik artışı (gecikme maliyeti ile).

Ödev notu: Fiziksel SNR’ı yükseltemeseniz bile etkin hata oranını düşürerek sistem seviyesinde iyileşme sunabilirsiniz.

14) Gürültü şekillendirme: Delta–sigma ADC, NTF ve bant içi avantaj

Delta–Sigma: Gürültüyü bant dışına iter; oversampling + dijital sinc filtreyle bant içi SNR yükselir.
NTF (Noise Transfer Function): Düzen tasarımı, kararlılık ve order seçimi.
Kullandığınız bant dar ise delta–sigma ile şaşırtıcı ENOB kazanımları mümkün.

15) Kuvvetli parazitlere karşı sağlamlık: Robust istatistik ve doygunluk yönetimi

Medyan filtresi: Darbeli (impulsive) gürültüye karşı kararlı.
Huber/Tukey kayıpları: Aykırı örneklerin etkisini sınırlar.
Ön doygunluk koruma: Clipping/doyum oluşursa spektrum kirlenir; otomatik kazanç kontrolü (AGC) ile güvenli sinyal seviyesi.

Vaka: Endüstriyel EMI darbelerinde medyan + IIR LPF kombinasyonu ile ölçümde 10 dB SNR eşdeğeri iyileşme.

16) SNR ölçmek: Doğru pencereler, leakage ve güven aralıkları

FFT penceresi: Hann/Blackman; sinyal frekansı pencere merkezine gelmiyorsa leakage artar, SNR ölçümü hatalı çıkar.
Averaging: Segment ortalaması ile varyansı düşürün; güven bandı raporlayın.
Hata bütçesi: Enstrüman gürültüsü, kalibrasyon belirsizliği ve jitter etkilerini ayrı ayrı raporlayın.

17) Güç tüketimi ve SNR: IoT/edge için tatlı nokta

Daha yüksek örnekleme/bant = daha fazla güç; SNR kazanımı ile enerji bütçesini dengeleyin.
Görev döngüleme (duty-cycling): Ortalama gücü düşür, pik performansı koru.
Esnek çözünürlük: Olay anında 16 bit, arka planda 12 bit gibi dinamik ENOB politikaları.

18) Donanım/PCB uygulama kontrol listesi

AGND/DGND ayrımı, tek noktada birleşim
ADC referansının lokal LDO ile beslenmesi
Kısa ve geniş izler, kritik döngülerde stitching via
Saat hattı: kısa, kontrollü empedans, izole zemin
İkincil harmonikleri azaltmak için dengeli hatlar
Konnektörlerde 360° ekran-topraklama
Anti-aliasing analog LPF ve doğru kesim frekansı

19) Yazılım/algoritma uygulama kontrol listesi

Pencereleme + sıfır dolgusu (zero padding) planı
FIR/IIR katsayı kararlılığı ve sabit nokta taşmaları
Uyarlamalı filtre öğrenme hızları (μ) ve kararlılık sınırı
Spektral ortalama (Welch) parametreleri
Zaman–frekans maskeleme eşiği (işaret tespiti hassasiyeti)
Dalgacık eşik belirleme (Sure/Minimax/Universal)
Test veri protokolü: eğitim/validasyon/çapraz doğrulama

20) Dört “mini proje” ile SNR’ı gösterme (ödevde puan kazandırır)

A) Biyomedikal EKG – 50/60 Hz hum bastırma

Donanım: INA + 0.5–40 Hz BPF + 50/60 Hz aktif notch
Yazılım: EMD ile bazal wander giderme + dalgacık denoise
Kazanım: QRS tespit doğruluğu +%7, SNR +13 dB

B) MEMS ivmeölçer – titreşim profilinde SNR

Donanım: Bant sınırlama 0.5–200 Hz, diferansiyel yönlendirme
Yazılım: Welch PSD, Kalman ile hız kestirimi
Kazanım: Hız tahmin RMSE –%35

C) LoRa/FSK haberleşme – düşük SNR rejimi

Donanım: LNA + SAW filtre + iyi PLL
Yazılım: Eşleşmeli filtre + interleaved FEC + ARQ
Kazanım: Paket kaybı %22→%6 (SNR ≈ –3 dB civarı)

D) FMCW radar – zayıf hedef

Donanım: Faz gürültüsü düşük LO, stabil saat
Yazılım: 64–256 chirp istifleme + CFAR + taper pencereler
Kazanım: Hedef tespiti olasılığı +%18, yanlış alarm –%40

21) Sık yapılan hatalar ve hızlı kurtarma

Analog AAF yok: Dijitalde düzeltemezsiniz → önce analogda bantı kapatın.
Toprak döngüsü: Ekran iki uçtan topraklı → uğultu; tek noktaya düzeltin.
Saat jitteri ihmal: Yüksek f_in’de SNR çöküşü → düşük jitterli saat/PLL.
Yanlış pencere: FFT leakage yüzünden SNR olduğundan düşük görünür → doğru pencere/uyumlu frekans.
Aşırı kazanç: Doyum ve distorsiyon → AGC veya kademeli kazanç.
Filtre order’ı gereksiz yüksek: Faz/latans problemi → ihtiyaç kadar order.

22) 10 adımda “uçtan uca” SNR iyileştirme planı

Bant gereksinimini yaz (Hz/kHz/MHz).
Sensör ve AFE’yi seç; empedans uyumunu kur.
Analog AAF ve notch tasarla.
Saat/jitter hedeflerini belirle; PLL seç.
ADC bit ve hızını SNR/ENOB’e göre boyutlandır.
Toprak/EMC yerleşimini uygula.
FIR/IIR + dalgacık/STFT planını kur.
Uyarlamalı/istatistiksel filtrelemede parametreleri ayarla.
Ortalama/istifleme/korelasyon stratejisi ekle.
SNR/SINAD/ENOB ölç, güven aralığıyla raporla.

Sonuç: SNR, zincirin en zayıf halkası kadar güçlü

SNR’ı iyileştirmek; tek bir “sihirli filtre” seçmek değildir. Sensörden başlayan, AFE ve analog bant sınırlama ile devam eden, saat/jitter ve ADC boyutlandırmasıyla desteklenen; dijital tarafta FIR/IIR, uyarlamalı/istatistiksel yöntemler, zaman–frekans ve istifleme stratejileriyle tamamlanan uçtan uca bir tasarım problemidir. Bu rehberde, ödev ve dönem projelerinde uygulanabilir, donanım + yazılım bütününde SNR kazanımı sağlayan teknikleri sıraladık. Başarının anahtarı: (i) bantı tanımlamak, (ii) analogda kirlenmeyi içeri sokmamak, (iii) saat/jitter disiplinini kurmak, (iv) dijitalde veriye ve fiziksel bağlama uygun filtre/tahmin yaklaşımlarını seçmek ve (v) tüm adımları ölçerek, güven aralıklarıyla raporlamaktır. Böyle yaptığınızda, yalnız “sinyali daha yüksek” değil, kararı daha doğru veren bir sistem inşa etmiş olursunuz.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Sinyal Gürültü Oranı İyileştirme Teknikleri first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Biyomedikal Sinyal İşleme Ödevlerinde Başarı Rehberi

İçerik Üreticisi — Sat, 06 Sep 2025 11:00:40 +0000

Biyomedikal sinyal işleme, insan vücudundan elde edilen fizyolojik işaretleri (ECG, EEG, EMG, PPG, PCG, EOG, solunum, kan basıncı, ivme, sıcaklık vb.) örnekleyip anlam çıkarmayı hedefleyen bir mühendislik disiplinidir. Bu alan; analog önyüz ve sensör tasarımı, sayısal sinyal işleme (DSP), istatistik/olasılık, makine öğrenmesi/derin öğrenme, etik ve mahremiyet kavramlarını bir araya getirir. Bir biyomedikal sinyal işleme ödevinde başarılı olmak; yalnızca “bir filtre çalıştırmak” ya da “bir sınıflandırıcı eğitmek” değildir. Başarı, veri toplama–etiket–ön işleme–özellik–model–değerlendirme–yorum zincirinin her halkasında bilinçli ve ölçülebilir kararlar vermeyi gerektirir.

1) Proje Tanımı ve Klinik Bağlam: “Neyi, kimin için, neden ölçüyoruz?”

Her ödev bir klinik/sağlık sorusuna bağlanmalı: Aritmi taraması mı yapıyoruz? Uyku apnesi şüphesi mi? Rehabilitasyonda kas yorgunluğunu mu izliyoruz? Bu bağlam; örnekleme frekansını, sensör konumunu, hedef sinyallerin band genişliğini ve etik–mahremiyet gereksinimlerini belirler.

Örnek: Sporcu takibinde EMG ile kas aktivasyon zamanlaması (onset/offset) ve yorgunluk göstergeleri (MNF/MPF) çıkarılır. Klinik apne taramasında ise PPG ve solunum bantları önemlidir.
İpucu: Proje dokümanınızda ilk sayfada “Klinik Problem → Mühendislik Hedefleri → Başarı Metrikleri” üçlüsünü tabloya dökün.

2) Sinyal Ekosistemi ve Biyofizik: ECG, EEG, EMG, PPG, PCG, EOG

ECG (Elektrokardiyogram): 0.05–150 Hz; P–QRS–T yapısı. Artefaktlar: temel çizgi kayması (BW), kas ve 50/60 Hz parazit.
EEG: 0.1–80 Hz (uygulamaya göre 0.1–45 Hz sık); delta–theta–alpha–beta–gamma bantları. Blink/EMG ve hareket artefaktlarına çok hassas.
EMG: Geniş bant (10–500 Hz), yüksek varyans; yorgunlukta spektral ağırlık düşük frekanslara kayar.
PPG: Optik nabız, 0.5–5 Hz; hareket artefaktı baskın. HR/HRV ve periferik damar dolgunluğu için.
PCG: 20–400 Hz kalp sesleri; üfürüm tespiti ve S1–S2–S3 ayrımı.
İpucu: Her sinyal için fizyolojik olaylar → frekans–zaman ölçeği eşlemesini çıkarın. Bu, filtre/özellik seçimlerini rasyonel kılar.

3) Örnekleme, Anti-Alias ve ADC Dinamiği

Biyomedikal sensör önyüzünde anti-aliasing LPF zorunludur. Örnekleme frekansı $f_{s}$ , ilgi bandının en az 2×’si olmalı; pratikte 4–10× seçilerek geçiş bandı ve filtre mertebesi rahatlatılır. ADC seçerken çözünürlük (12–24 bit), gürültü, dinamik aralık ve CMRR (özellikle ECG/EEG için) önemlidir.
Mini vaka: 200 Hz’de örneklenen ECG’de 50 Hz şebeke paraziti aliasing ile 10 Hz’e “taşınmış” görüldü; çözüm: analog notch + yeterli $f_{s}$ + dijital notch.

4) Analog/Dijital Ön İşleme Zinciri ve Kalibrasyon

Analog: Elektrot temas empedansı, yüksek giriş empedanslı ön yükselteç, drift ve ofset yönetimi.
Dijital: Baseline wander için yüksek geçiren (HPF, 0.5 Hz civarı ECG/EEG); şebeke için notch (50/60 Hz); EMG’de bant geçiren (20–450 Hz); PPG’de alçak geçiren + hareket artefaktı için adaptif filtre.
Uygulama: 0.5 Hz HPF + 35 Hz LPF + 50 Hz notch ile temel bir ECG temizliği. EEG’de 0.5–40 Hz BPF + blink giderme için EOG regresyon/ICA.

5) Artefakt Giderme: ICA, EMD, Wavelet ve Regresyon

ICA (Bağımsız Bileşen Analizi): EEG/EOG/EMG karışımlarını ayrıştırmada yaygın; blink/EMG bileşenleri çıkarılabilir.
EMD/CEEMDAN: Adaptif mod ayrıştırma ile BW veya tremor baskılama.
Dalgacık (Wavelet) eşikleme: PPG ve PCG’de transient/klik temizliği.
Regresyon: EOG sinyali referans alınarak blink, ivmeölçer kullanılarak hareket artefaktı çıkarımı.
Not: Aşırı temizleme “klinik özelliği silme” riski taşır; her adımın öncesi/sonrası karşılaştırmasını raporlayın.

6) Özellik (Feature) Mühendisliği: Zaman–Frekans–Zaman-Frekans

Zaman alanı: RR aralığı istatistikleri, QRS genliği, EMG RMS/AR katsayıları, PPG tepe–çukur süreleri.
Frekans alanı: Welch–AR–Burg ile güç spektral yoğunluğu; EMG’de MNF/MPF, EEG’de bant güçleri (delta–gamma).
Zaman-frekans: STFT, CWT (dalgacık), WVD; PCG üfürümlerinde dar bant enerjileri.
İpucu: 5–10 “yük taşıyan” özelliği seçin; fazlalığı PCA/LDA ile azaltın. Model basitliğini korumak genellikle performansı ve genelleştirilebilirliği artırır.

7) Segmentasyon ve Olay Tespiti: QRS, S1/S2, Spindle, Gait

Biyomedikal akış çoğu zaman olay odaklıdır.

ECG: Pan–Tompkins tarzı QRS tespiti (bandpass + türev + karesel enerji + hareketli entegral + eşik).
PCG: S1/S2 segmentasyonu; envelope çıkarımı (Hilbert/Teager enerji), HMM/HSMM ile sıralama.
EEG: Uyku iğciği (spindle), K-kompleks tespiti; band geçiren + enerji eşiği + morfolojik kurallar.
EMG: Aktivasyon başlangıcı (onset) için Teager–Kaiser enerji operatörü veya hareketli RMS + dinamik eşik.
Uygulama: QRS tespitini ref. anotasyon ile eşleştirip Se/P+ (sensitivite/pozitif öngörü) raporlayın.

8) Veri Setleri, Anotasyon ve Bölünme Stratejisi

Hatalı değerlendirme, iyi algoritmaları “kötü” gösterebilir (veya tersi).

Anotasyon: Uzman etiketleri altın standarttır; tek uzman yerine çifte okuma + uzlaşı güvenilirdir.
Bölünme: Zaman pencereli veride sızıntı riskine dikkat. Subject-wise ayrım (kişi bazlı eğitim/test) genelleme için şarttır; random split yanıltabilir.
Kısıtlı veri: K-fold (özellikle subject-wise k-fold), Leave-One-Subject-Out (LOSO).
Mini vaka: EEG nöbet tespitinde random split ile %98 AUC; subject-wise LOSO’da %87 — gerçek performans ikinci değerdir.

9) Değerlendirme Metrikleri: Klinik Relevans ve Dengeli Ölçüler

İkili sınıflama: Doğruluk tek başına yetersiz; Se, Sp, PPV, NPV, F1, AUC raporlanmalı.
Dengesiz veri: ROC yanı sıra PR-AUC kullanın.
Olay tespiti: Zaman tolerans penceresi (±50–100 ms) içinde eşleşme kuralları.
Süreklilik: HR/HRV gibi metriklerde mutlak hata (MAE) ve korelasyon.
İpucu: Klinik kullanıcılar için karar eşiği–performans eğrilerini (operating point) gösterin.

10) Klasik ML ve Derin Öğrenme: Hangisini, ne zaman?

Klasik ML: LDA/QDA, SVM, RF, XGBoost; az veri–yüksek yorumlanabilirlik. Özellik mühendisliği kritik.
Derin Öğrenme: 1D-CNN, CNN–LSTM, Transformer; ham dalga/tepe–çukur dizilerinden doğrudan öğrenir. Çok veri/augmentasyon gerekir.
Hibritler: Öğrenilmiş temsilleri klasik sınıflandırıcıya beslemek; ya da klasik özellikleri derin şebekeye yan bilgi olarak eklemek.
Örnek: PPG’den HRV sınıflaması için 1D-CNN + dikkat (attention) tabanlı havuzlama, hareket artefaktına klasik filtre + sinyal kalite indeksi (SQI) ile birlikte.

11) Sinyal Kalite İndeksi (SQI) ve Güven Skoru

Klinik kullanılabilirlik için “Bu ölçüme ne kadar güveneyim?” sorusunun yanıtı gerekir.

SQI ölçütleri: SNR, template uyuşması, tepe şekli, artefakt göstergeleri, satürasyon/doyum.
Kullanım: Düşük SQI → ölçümü dışla veya toleranslarını genişlet; kullanıcıya geri bildirim ver (sensör teması kötü vb.).
Uygulama: PPG’de hareketli pencere korelasyonu ve tepe asimetri ölçütü ile SQI; SQI<τ olduğunda HR/HRV güncellemesi yapma.

12) Zaman Senkronizasyonu ve Multimodal Füzyon

ECG–PPG–ivme–solunum gibi çoklu sinyallerde zaman damgası mikro saniye–milisaniye düzeyinde hizalı olmalıdır. Füzyon, özellik seviyesinde (feature-level) veya karar seviyesinde (late fusion) yapılabilir.
Mini vaka: PPG’den nabız ve ivmeden hareket penceresi birleşince “fizyolojik olmayan nabız sıçramaları” filtrelenerek yanlış pozitifler %35 azaldı.

13) Gerçek Zamanlılık, Gecikme Bütçesi ve Bellek Kullanımı

Mobil/IoT sistemlerde algoritmalar akış üzerinde koşar.

Bütçeleme: 250 Hz ECG’de pencere 1 s ise, toplam işleme < 100 ms hedef.
Kısıtlar: Sabit nokta/ARM NEON, vektörleştirme; kaydırmalı pencere ve online istatistikler.
Enerji: Ekran/iletişim tüketimi > işlem maliyeti olabilir; akıllıca olay tetiklemeli gönderim.

14) Veri Gizliliği, Etik ve Regülasyon Farkındalığı

Kişisel sağlık verileri özel niteliklidir.

Mahremiyet: Pseudonymization, erişim kontrolü, en az ayrıcalık, açık rıza.
Güvenlik: Uçtan uca şifreleme, imzalı günlük (audit), güvenli saklama.
Etik: Yanlı/hatalı algoritmaların klinik etkisi, insan gözetimi ve uyarı metinleri.
Ödev notu: Proje raporuna etik bildirim ve veri yaşam döngüsü şeması ekleyin.

15) Raporlama ve Reprodüksiyon: Bilimsel Hijyen

Kodu yayınlayın (maskelenmiş veriyle veya açık veri setiyle).
Ortamı sabitleyin (requirements.txt, conda/env, Docker).
Tohum (seed) ve ayrımlar raporlanmalı; hiperparametre ızgarası ve en iyi konfigürasyon kayıtları eklenmeli.
Figürler: Filtre öncesi/sonrası dalga, QRS–S1–S2 hizalaması, ROC/PR eğrileri, Bland–Altman.

16) ECG Vaka İncelemesi: Aritmi için QRS + Morfoloji

Hedef: Tek kanallı ECG’den QRS tespiti, RR dizisi ve aritmi (PVC/AF) işaretleri.

Ön işleme: 0.5–35 Hz BPF + notch.
QRS: Fark–karesel enerji–entegre; adaptif eşik.
Özellik: RR varyabilitesi (SDNN, RMSSD), morfolojik (R genliği, QRS genişliği), P dalgası sürekliliği.
Model: Basit RF/SVM veya 1D-CNN.
Değerlendirme: MIT-BIH/AF veri alt kümelerinde subject-wise ayrım, Se/PPV/F1.
Çıktı: PVC için F1>0.9; AF epizodu için ROC AUC>0.95 hedeflenebilir (ölçeğe göre değişir).

17) EEG Vaka İncelemesi: Uyku Evreleme (N1–N3, REM, Wake)

Hedef: 30 s epoch sınıflaması.

Ön işleme: 0.3–35 Hz; EOG/EMG kanallarını yardımcı olarak kullan.
Özellik: Bant güçleri (relative delta/alpha), spindle yoğunluğu, zero-crossing istatistikleri, entropi ölçütleri.
Model: CNN–LSTM (zamansal bağlam) veya klasik özellik + RF.
Değerlendirme: Kappa, macro-F1; subject-wise k-fold.
Not: Sınıf dengesizliği (N1 düşük) için focal loss/class weights.

18) EMG Vaka İncelemesi: Kas Onset ve Yorgunluk

Hedef: Kas aktivasyon başlangıcını milisaniye ölçeğinde yakalamak; yorgunluk trendi.

Ön işleme: 20–450 Hz BPF; tam dalga doğrultma + hareketli RMS.
Onset: Adaptif eşik veya Teager–Kaiser enerji operatörü.
Yorgunluk: Spektral ağırlık (MNF/MPF) azalması; median frekans kayması.
Değerlendirme: Onset hatası (ms), yanlış alarm oranı; yorgunlukta eğim katsayısı.

19) PPG Vaka İncelemesi: HR/HRV ve Solunum Türevi

Hedef: Hareketli ortamda PPG’den güvenilir nabız ve HRV.

Ön işleme: Bandpass 0.5–8 Hz; ivmeyle çoklu girişli adaptif filtre (LMS/RLS).
Tepe tespiti: Şekil kısıtlı şablon eşleştirme; SQI ile birlikte.
HRV: Zaman alanı (RMSSD), frekans alanı (LF/HF) — kısa kayıtlarda AR tercih.
Bonus: PPG’de solunum modülasyonu ile respiratuvar frekans kestirimi.

20) PCG Vaka İncelemesi: Üfürüm Tespiti ve S1–S2 Segmentasyonu

Hedef: Kalp sesinden üfürüm (patolojik akış) belirti çıkarımı.

Ön işleme: 20–400 Hz bandpass; Hilbert envelope; dalgacık enerji haritası.
Segmentasyon: HMM/HSMM veya “gürültü tepe izleme” ile S1–S2.
Özellik: Zaman–frekans enerji dağılımı, spektral eğim, entropi.
Model: CNN (mel-spectrogram benzeri giriş) + kalibrasyon.
Değerlendirme: Hasta bazlı ayrım; ROC/PR ve klinik hassasiyet–özgüllük noktaları.

21) Mobil/IoT ve Edge Analitiği: Gerçek Dünya

Akıllı saat/patch cihazlarda cihaz içi (on-device) çıkarım: 1D-CNN quantize (int8), sabit nokta kernel’ler, bellek/veri ayak izi optimizasyonu.

Güncelleme: Aşamalı model güncellemesi (A/B slot), imzalı paket.
Mahremiyet: Ham sinyal yerine özet/özellik gönder; federated learning düşün.

22) Hatalar ve Tuzaklar: “Neden sonuçlarım sahada düşüyor?”

Veri sızıntısı: Pencereler arası örtüşmede yanlış split → şişik skorlar.
Aşırı temizleme: Klinik sinyali kazara yok etme.
Yanlı veri: Tek demografi/cihaz → genelleme zayıf.
Yanlış metrik: Dengesiz sınıfta doğruluk raporlamak.
Eşik sabitleme: Farklı bireylerde sabit eşik → SQI/kişiye uyarlama gerek.
Çözüm: Kontrol listesi + subject-wise k-fold + ablation çalışması.

23) Raporlama Şablonu: Jüriyi/Asistanı Hızla İkna Edin

Problem ve klinik bağlam
Veri ve etik (kaynak, izin, anonimleştirme)
Ön işleme (filtreler, parametreler, önce/sonra figür)
Özellik/Model (neden bu yol?)
Değerlendirme (bölünme stratejisi, metrikler, istatistik)
Karşılaştırma (ablation: şu adım olmasaydı ne olurdu?)
Saha uygulanabilirliği (gecikme, enerji, bellek)
Sınırlamalar ve gelecek çalışma
Kod/tekrar üretilebilirlik (repo, sürüm, seed)

24) 10 Günlük Ödev Planı (Uygulanabilir)

Gün 1: Klinik problem ve hedef metrikler
Gün 2: Veri–etik; subject-wise bölünme
Gün 3: Ön işleme tasarımı + pilot figürler
Gün 4: Olay tespiti/segmentasyon prototipi
Gün 5: Özellik havuzu ve seçimi (PCA/MI)
Gün 6: Klasik ML ve 1D-CNN hızlı karşılaştırması
Gün 7: Değerlendirme (LOSO/k-fold), istatistik
Gün 8: SQI, hata analizi, eşik optimizasyonu
Gün 9: Saha/edge uygulanabilirlik ölçümleri
Gün 10: Rapor, ekler (kod, figür, tablo)

25) Geniş Bakış: Geleceğe Hazırlık

Kişiye özel modeller: Transfer learning/finetune, domain adaptation.
Kendinden denetimli öğrenme: Etiketin kıt olduğu EEG/PPG’de temsiller.
Açıklanabilirlik: Grad-CAM benzeri salience haritaları (1D-CNN); klinik güven.
Çapraz cihaz kalibrasyonu: Cihazdan bağımsız metrikler, standardizasyon.
Çok modlu–çok görevli ağlar: Tek model, çok çıktı (QRS + aritmi + HRV).

Sonuç

Biyomedikal sinyal işleme ödevi, başından sonuna ölçülebilir gerekçelerle yürütülmeli: klinik problemi netleştir, fizyolojiyi frekans–zaman ölçeğine çevir, analog–dijital ön yüzü planla, artefaktları gerektiği kadar temizle, bilgi taşıyanözellikler çıkar veya derin modelleri dikkatle eğit, doğru bölünme (subject-wise) ve dengeli metriklerle değerlendir, SQI ve güven skoru ile gerçek kullanım senaryosuna hazırlık yap, mahremiyet–etik temelini sağlam kur.
ECG’den QRS/aritmi, EEG’den uyku ve nöbet, EMG’den onset ve yorgunluk, PPG’den HR/HRV ya da PCG’den üfürüm; hangi görev olursa olsun, başarı pipeline bütünlüğünde yatar. Bu rehberdeki kontrol listeleri, vaka örnekleri ve raporlama şablonu ile ödevinizi yalnızca “çalışır” değil, bilimsel olarak savunulabilir, tekrar üretilebilir ve sahaya taşınabilir bir seviyeye çıkarabilirsiniz. Unutmayın: Biyomedikal sinyal işleme; hem insan hayatına dokunan hem de mühendislik disiplininin tüm araçlarını bir arada kullanan bir yolculuktur. Bu yolculukta her kararınızı veri, fizyoloji ve etik üçgeninde temellendirin; başarı kendiliğinden gelir.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Biyomedikal Sinyal İşleme Ödevlerinde Başarı Rehberi first appeared on Ödev Yaptırma & Danışmanlık Merkezi.