Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data
Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri
- Tez No: 1001077
- Danışmanlar: PROF. DR. HÜSEYİN DEMİREL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Parkinson hastalığı (PH), erken evrelerde doğru tanı konulması açısından zorlu olan, subjektif klinik yöntemler ve sürekli izleme eksikliği nedeniyle zorluklar oluşturan progresif bir nörodejeneratif bozukluktur. Mevcut tanı yaklaşımları %10-25 arasında yanlış tanı oranlarına sahip olup, bu durum tedavi etkinliğini ve hasta sonuçlarını sınırlandırmaktadır. Bu sınırlamaları gidermek amacıyla, bu araştırma makine öğrenmesi, derin öğrenme ve yumuşak hesaplama tekniklerini entegre eden üç tamamlayıcı yapay zeka odaklı tanı çerçevesi sunmaktadır. İlk çerçeve olan Parkinson Hastalığı Hibrit Tanı Yaklaşımı (PH-HTY), klinik verilerdeki belirsizlikleri yönetirken çoklu modal girdilerden (ses, yürüyüş, titreme) desenler çıkarmak için Aralık Tip-2 Bulanık Sinir Ağları ile Evrişimli Sinir Ağlarını (ESA) birleştirmektedir. Hibrit ESA topluluk yöntemleri (DenseNet-201, VGG-16, Vision Transformer-Base) kullanarak, PH-HTY %92.62 tanı doğruluğu, %91.87 duyarlılık, %93.22 özgüllük ve %95.76 erken teşhis doğruluğu elde etmekte, bu sonuçlar geleneksel yöntemleri (%80.85 doğruluk) önemli ölçüde iyileştirmektedir. İkinci çerçeve olan Parkinson Hastalığı – Yapay Zeka (PH-YZ), mobil uygulama aracılığıyla terapötik oyunlarla entegre edilmiş Rassal Orman sınıflandırıcılarını kullanmaktadır. Akıllı telefon sensörleri aracılığıyla gerçek zamanlı semptom izleme sağlarken etkileşimli rehabilitasyon sunmakta, %91.50 duyarlılık, %89.80 özgüllük, %90.20 F1-skoru ve %90.60 genel doğruluk elde etmektedir. Bu yaklaşım hasta katılımını ve tedavi uyumunu önemli ölçüde artırmaktadır. Üçüncü çerçeve olan Derin Öğrenme Kullanarak Parkinson Hastalığı Tanısı (PH-DÖ), akıllı telefon sensör verilerinden ardışık verileri analiz etmek için Yinelemeli Sinir Ağlarını (YSA), özellikle Uzun Kısa Vadeli Bellek (UKSVB) ağlarını ve Kapılı Yinelemeli Üniteleri (KYÜ) içermektedir ve bu sayede sürekli, non-invaziv izleme sağlamaktadır. PH-DÖ entegre sensör füzyonu ve zamansal modelleme yoluyla %93.38 tanı doğruluğu, %98.52 kişiselleştirilmiş prognoz doğruluğu ve %92.43 erken teşhis doğruluğu elde etmektedir. Temel YSA sınıflandırıcısı %92.3 doğruluk, %91.50 kesinlik, %93.80 duyarlılık ve %92.60 F1-skoru elde etmektedir. Temel yenilik, tanı hassasiyetini, sürekli izlemeyi ve hasta katılımını ölçeklenebilir bir çerçeve içinde entegre etmesidir. Önerilen sistemler toplu olarak tanı doğruluğunu %11.77 oranında, duyarlılığı %13.05 oranında ve erken teşhisi %19.88 oranında iyileştirmekte, bu iyileştirmeler geleneksel yöntemlerle kıyaslandığında gerçekleşmektedir. Bu birleşik yaklaşım, PH yönetimi için daha etkin ve kullanıcı dostu bir çözüm sunmakta, sağlık hizmetleri yükünü azaltırken hastaları ve klinisyenleri akıllı, kişiselleştirilmiş hastalık yönetim araçlarıyla güçlendirmektedir.
Özet (Çeviri)
Parkinson's disease (PD) is a progressive neurodegenerative disorder that remains challenging to diagnose accurately in early stages due to subjective clinical methods and a lack of continuous monitoring. Current diagnostic approaches suffer from misdiagnosis rates of 10-25%, which limits treatment effectiveness and patient outcomes. To address these limitations, this research introduces three complementary artificial intelligence-driven diagnostic frameworks integrating machine learning, deep learning, and soft computing techniques. The first framework, Parkinson's Disease Hybrid Diagnostic Approach (PD-HDA), combines Interval Type-2 Fuzzy Neural Networks with Convolutional Neural Networks (CNN) to handle uncertainties in clinical data while extracting patterns from multimodal inputs (voice, gait, tremor). Using hybrid CNN ensembles (DenseNet-201, VGG-16, Vision Transformer-Base), PD-HDA achieves 92.62% diagnostic accuracy, 91.87% sensitivity, 93.22% specificity, and 95.76% early detection accuracy, substantially improving upon conventional methods (80.85% accuracy). The second framework, Parkinson's Disease – Artificial Intelligence (PD-AI), employs Random Forest classifiers integrated with therapeutic gaming via a mobile application. It enables real-time symptom monitoring through smartphone sensors while providing interactive rehabilitation, achieving 91.50% sensitivity, 89.80% specificity, 90.20% F1-score, and 90.60% overall accuracy. This approach significantly enhances patient engagement and treatment adherence. The third framework, Parkinson's Disease Diagnosis using Deep Learning (PDD-DL), employs Recurrent Neural Networks (RNNs), including Long Short-Term Memory (LSTM) networks and Gated Recurrent Units (GRUs), to analyze sequential smartphone sensor data for continuous, non-invasive monitoring. PDD-DL achieves 93.38% diagnostic accuracy through integrated sensor fusion and temporal modelling, with 98.52% personalized-prognosis accuracy and 92.43% early-detection accuracy. The underlying RNN classifier achieves 92.3% accuracy with 91.50% precision, 93.80% recall, and 92.60% F1-score. The key innovation lies in integrating diagnostic precision, continuous monitoring, and patient engagement within a scalable framework. The proposed systems collectively improve diagnostic accuracy by 11.77%, sensitivity by 13.05%, and early detection by 19.88% compared to conventional methods. This unified approach provides a more efficient, user-friendly solution for PD management, reducing healthcare burden while empowering patients and clinicians with intelligent, personalized disease management tools.
Benzer Tezler
- Ultrason taramalarından fetüs hareketlerinin tespiti için yeni derin öğrenme modelleri geliştirilmesi
Development of novel deep learning models for fetal movement detection in ultrasound scans
MUSA TURKAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Açı temelli öznitelik çıkarımı ile üst vücut postür sınıflandırması
UPPER-BODY POSTURE CLASSIFICATION USING ANGLE-BASED FEATURE EXTRACTION
RABİA AYŞE GÜZEL
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÖZTEL
- Elektrik motorlarında tekil ve çoklu arıza teşhisi için optimize edilmiş zaman–frekans temsillerine dayalı fiziksel olarak yönlendirilmiş derin öğrenme mimarisinin geliştirilmesi
Development of a physics-guided deep learning architecture based on optimized time–frequency representations for the diagnosis of single and multiple faults in electric motors
ROHULLAH RAHMATULLAH
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NECİBE FÜSUN OYMAN SERTELLER
DOÇ. DR. AYÇA AK
- AI-enabled atrial fibrillation detection, classification and prediction based on ECG data
Elektrokardiyogram (EKG) verilerine dayalı yapay zeka destekli atrial fibrilasyonun tespiti, sınıflandırılması ve tahmini üzerine bir derleme
KIMIA TAHVILDARI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH KAHRAMAN
- Uydu bazlı jeodezik ve jeodinamik veri analiz ve yönetim sistemi tasarımı ve uygulaması
Design and implementation of a satellite-based geodetic and geodynamic data analysis and management system
DENİZ BAŞAR
Doktora
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK