EEG sinyalleri kullanılarak derin öğrenme algoritmaları ile alzheimer hastalığının erken teşhisi
Early diagnosis of alzheimer's disease using deep learning algorithms with EEG signals
- Tez No: 1016926
- Danışmanlar: DOÇ. DR. KAPLAN KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Nöroloji, Computer Engineering and Computer Science and Control, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer, beyindeki sinir hücrelerinin bir kısmının ölmesiyle bunama, hafıza kaybı ve günlük aktiviteleri yerine getirememe ile sonuçlanan dejeneratif bir beyin hastalığıdır. Erken safhada alzheimer hastalığın teşhis edilmesi hem tedavi sürecinin hızlandırılması hem de hastalığın ilerlemesinin önüne geçilmesi açısından büyük önem taşımaktadır. Nöroloji uzmanlarının bu konudaki deneyimleri hastalığın erken ve doğru teşhisi açısından oldukça önemli rol oynamaktadır. Alzheimer hastalığının erken ve doğru teşhisi üzerine birçok araştırma ve çalışma yapılmıştır. Bu tez çalışmasında, çeşitli derin öğrenme teknikleri kullanılarak alzheimer hastalığının erken teşhisi ve teşhisin doğruluğu test edilerek gerçekleştirilmiştir. Evrişimsel Sinir Ağı (CNN) - Uzun Kısa Süreli Bellek (LSTM), CNN-Transformer Encoder ve CNN-Zamansal Evrişimsel Ağ (TCN) modelleri kullanılarak EEG verileri üzerinde sınıflandırılmıştır. Bu yöntemler arasında en yüksek başarı oranı %98,12 ile CNN-Transformer Encoder modeli olmuştur. Model doğruluğunun tespiti için beyindeki hangi kanallarda bozulma olduğu test edilmiştir. Bu kanallar literatürdeki frontal (ön lob) bölgede bulunan en önemli beyin kanallarından F4,F7,F3,Fp1 (Frontal lob) elektrodlarına denk gelmektedir. Bu kanal bölgeleri, Alzheimer hastalığında dejenerasyonun (bozulmanın) en yoğun görüldüğü bölgelerle birebir örtüşüyor. Bu da modelin başarı oranının yüksek olmasının en büyük dayanağıdır. Bu sonuçlar, özellikle CNN-Transformer Encoder mimarisinin EEG sinyallerinden Alzheimer hastalığının erken ve yüksek doğrulukta teşhisinde önemli bir potansiyel sunduğunu göstermektedir.
Özet (Çeviri)
Alzheimer's disease (AD) is a degenerative brain disorder characterized by the death of certain nerve cells in the brain, resulting in dementia, memory loss, and the inability to perform daily activities. Early diagnosis of Alzheimer's disease is of paramount importance, both for expediting the treatment process and for preventing the progression of the disease. While the experience of neurologists plays a significant role in the early and accurate diagnosis of AD, numerous studies have focused on automating this process. This thesis investigates the early diagnosis of Alzheimer's disease and tests the accuracy of the diagnosis using various deep learning techniques. Classification was performed on EEG data using hybrid models, including Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), CNN-Transformer Encoder, and CNN-Temporal Convolutional Network (TCN). Among these methods, the CNN-Transformer Encoder model achieved the highest success rate, reaching 98.12%. The robustness of the model was confirmed by testing which brain channels exhibited deterioration. These channels correspond to the most significant frontal lobe electrodes in the literature: F4, F7, F3 and Fp1 (Frontal Lobe). Critically, these precisely overlap with the areas of the brain where degeneration is most intensely observed in Alzheimer's disease. This congruence provides the strongest foundation for the high success rate of the proposed model. These results indicate that the CNN-Transformer Encoder hybrid architecture, in particular, offers significant potential for the early and highly accurate diagnosis of Alzheimer's disease from EEG signals.
Benzer Tezler
- Biberiye esansiyel kokusunun öğrenme üzerindeki etkisinin EEG sinyalleri kullanılarak yapay zeka algoritmaları ile incelenmesi
Investigation of the effect of rosemary essential odor on learning with artificial intelligence algorithms using EEG signals
EVİN ŞAHİN SADIK
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMDİ MELİH SARAOĞLU
- EEG sinyalleri kullanılarak derin öğrenme yöntemiyle beyin klavyesi arayüzü tasarımı
Brain keyboard interface design with deep learning method using EEG signals
MELİH DEMİR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. MUSTAFA TOSUN
- Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti
Lie detection from EEG signals using deep learning algorithms
MUSA ASLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET BAYKARA
- İnme hastaları için EEG sinyalleri ile kontrol edilebilen beyin-bilgisayar arayüzü geliştirme
Development of brain computer interface controlled by EEG signals for stroke patients
SONER DENİZ ERSOY
- Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti
Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods
ZÜLFİKAR ASLAN
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN