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
- Tez No: 672964
- Danışmanlar: PROF. DR. MEHMET AKIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Şizofreni, EEG, Sınıflandırma, Spektogram, Derin Öğrenme, Skalogram, Schizophrenia, EEG, Clasification, Spectrogram, Deep Learning, Scalogram
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Günümüzde pek çok çalışma, elektroensefalogram (EEG) verisi inceleyerek beyin aktivitelerini tespit etme, anlama veya yorumlama amacıyla yapılmış ve çeşitli sonuçlar ortaya konulmuştur. Beyin aktivitelerinin anlaşılması, şizofreni ve epilepsi gibi pek çok hastalığın teşhisi, uyku evreleri gibi farklı durumların veya hastalıkların çözümlenmesi için önemli bir adımdır. Dolayısıyla bu yöndeki çalışmaların sonuçlarının iyileştirilmesi veya bir adım öteye götürülmesi için yeni modeller ortaya konulması oldukça kritik bir öneme sahiptir. Bu tez çalışmasında, ilk olarak literatürde önceden yapılmış, klasik makine öğrenme algoritmalarıyla sınıflandırılmış EEG verilerinden elde edilen analizlere göre başarımı daha yüksek metotlar ortaya konulması hedeflenmektedir. İkinci aşamada ise EEG verileri derin öğrenme metotlarıyla incelenerek özellik çıkarımı yapılmadan daha yüksek başarım ile sınıflandırma yapılması ve şizofreni (SZ) hastaları ile sağlıklı bireyler arasındaki farklılığın yorumlanabilir görüntüler olarak tasvir edilmesi amaçlanmıştır. Bu tez çalışmasında, EEG sinyalleri kullanılaılarak veri analiz yöntemleriyle beyin aktivitelerinin incelenmesi amaçlanmıştır. Bu amaç doğrultusunda özellikle SZ hastalarına ait EEG kayıtları hem klasik makine öğrenmesi algoritmalarıyla hemde derin öğreme algoritması kullanılarak sınıflandırılmıştır. Bu çalışmada SZ hastalarına ait farklı iki veri seti kullanılarak uygulanan metotların doğruluğu teyit edilmiştir. İlk veri kümesinde(Veri seti A) 39 sağlıklı çocuk ve 45 SZ hastalığı olan 16 kanallı EEG kaydı bulunmaktadır. İkinci veri seti (Veri seti B) ise 28 yetişkinin (14 kontrol ve 14 SZ hastası) 19 kanallı EEG kayıtları içermektedir. Literatürde özellikle klasik makine öğrenme algoritmaları SZ hastalarının sınıflandırılmasında yaygın olarak kullanılmıştır. Ancak bu tez çalışmasının ilk aşamasında farklı özellik çıkarım ve özellik seçim metotları kullanılarak daha iyi sınıflandırma başarım sonuçları elde edilmiştir. Bunun yanısıra farklı sınıflandırma algoritmalarıyla elde edilen başarım sonuçları karşılaştırılmıştır. Tez çalışmasının ikinci aşamasında derin öğrenme algoritmalarıyla, SZ hastalarını EEG kayıtlarını kullanarak otomatik olarak teşhis etmeyi amaçlayan bir yöntem sunulan bir çalışma yapılmıştır. Birçok literatür çalışmasından farklı olarak, önerilen yöntem EEG kayıtlarındaki özellikleri manuel olarak çıkarmak yerine frekans-zaman özelliklerinin yararlı bir temsiline sahip olmak için Kısa Zamanlı Dalgacık Dönüşümü (KZDD) ve Sürekli Dalgacık Dönüşümü(SDD) kullanarak ham EEG'yi iki boyuta dönüştürür. Bu çalışma, ilgili literatürde SZ hastalarının otomatik teşhisi için 2D zaman frekansı özelliklerinin kullanılmasında ilktir. 2D alanda mevcut olan tüm özelliklerden en kullanışlı özellikleri çıkarmak ve örnekleri yüksek doğrulukla sınıflandırmak için, son teknoloji bir Evrişimsel Sinir Ağı (ESA) mimarisini kullanan VGG-16 algoritması ile eğitilmiştir. Farklı ESA algoritmaları (CIFAR, VGG-19, ResNet, DenseNet, MobileNet, Xception … gibi ) ile de sonuçlar denenmiş ancak en az iterasyon ve sürede, en iyi başarım değeri VGG-16 ile elde edilmiştir. Deneysel sonuçlar, sunulan yöntemin farklı yaş gruplarının iki veri kümesinde SZ hastalarını ve sağlıklı kontrolleri, spektrogram görüntülerini % 95 ve % 97, skalogram görüntülerini % 98 ve % 99.5 sınıflandırma doğruluğu ile sınıflandırma görevinde başarılı olduğunu göstermektedir. Bu performansla, önerilen yöntem literatür yöntemlerinin çoğundan daha iyi performans gösterir. Çalışmanın deneyleri ayrıca bir EEG kaydının frekans bileşenleri ile SZ hastalığı arasında bir ilişki olduğunu ortaya koymaktadır. Ayrıca, tez çalışmamızda sunulan Aktivasyon Maksimizasyonu, Grad-CAM ve Belirginlik Haritası yöntemleriyle bir SZ hastasını sağlıklı bir kontrolden ayırırken yorumlanabilir görüntüler elde edilmesi sağlanmıştır. Bu görüntüler ile uzman görüşüne destek niteliğinde SZ hastası ve sağlıklı kontroller arasındaki fark kolayca anlaşılabilir.
Özet (Çeviri)
Today, many studies have been conducted to detect, understand or interpret brain activities by examining electroencephalogram (EEG) data, ve various results have been presented. Understanding brain activity is an important step in diagnosing many diseases such as schizophrenia ve epilepsy, ve resolving different conditions or diseases such as sleep stages. Therefore, it is of critical importance to develop new models in order to improve the results of such studies or to take them one step further. In this thesis, firstly, it is aimed to reveal methods with higher performance compared to the analyzes obtained from EEG data classified with classical machine learning algorithms, which were previously made in the literature. In the second stage, it was aimed to make classification with higher performance without extracting features by examining the EEG data with deep learning methods ve to depict the difference between schizophrenia (SZ) patients ve healthy individuals visually. In this thesis, it was aimed to examine brain activities by using data analysis methods using EEG signals. For this purpose, EEG records of especially SZ patients were classified using both classical machine learning algorithms ve deep learning algorithms. In this study, the accuracy of the methods applied using two different datasets of SZ patients was confirmed. In the first dataset (Data set A), there are 39 healthy children ve a 16-channel EEG record with 45 SZ diseases. The second dataset (Data set B) contains 19-channel EEG recordings of 28 adults (14 control ve 14 SZ patients). In the literature, especially classical machine learning algorithms have been widely used in the classification of SZ patients. However, at the first stage of this thesis, better classification performance results were obtained by using different feature extraction ve feature selection methods. In addition, the performance results obtained with different classification algorithms were compared. VII In the second stage of the thesis, a study was conducted with deep learning algorithms, in which a method aiming to automatically diagnose SZ patients using EEG records was conducted. Unlike many literature studies, the proposed method converts raw EEG to 2D using Short Time Wavelet Transform (STFT) ve Continuous Wavelet Transform (CWT) to have a useful representation of frequency-time properties rather than manually extracting features in EEG recordings. This study is the first to use 2D time frequency properties for automatic diagnosis of SZ patients in the relevant literature. It has been trained with the VGG-16 algorithm, which uses a state-of-the-art Convolution Neural Network (CNN) architecture to extract the most useful features from all the features available in the 2D space ve to classify samples with high accuracy. The results were also tested with different CNN algorithms (such as CIFAR, VGG-19, ResNet, DenseNet, MobileNet, Xception…), but the best performance value was obtained with VGG-16 with the least iteration ve time. The experimental results show that the presented method is successful in classifying SZ patients ve healthy controls in two datasets of different age groups, spectrogram images with 95% ve 97%, ve scalogram images with 98% ve 99.5% classification accuracy. With this performance, the proposed method outperforms most literature methods. The experiments of the study also reveal a relationship between the frequency components of an EEG recording ve SZ disease. In addition, with the AktivizationMaximization, Grad-CAM ve Saliency Map methods presented in our thesis, interpretable images were obtained while separating an SZ patient from a healthy control. With these images, the difference between SZ patients and healthy controls, which support the expert opinion, can be easily understood.
Benzer Tezler
- Mechanical behaviour of nanoporous metals reinforced with carbon based nanomaterials
Karbon tabanlı nanomalzemelerle güçlendirilmiş nano-gözenekli metallerin mekanik davranışı
DENİZ EZGİ GÜLMEZ
Yüksek Lisans
İngilizce
2017
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MESUT KIRCA
- Makine öğrenmesi yöntemleri ile bıtcoın trend dönüşlerinin tahmin edilmesi
Predicting bitcoin trends reversals with machine learning methods
SERGÜL ÜRGENÇ
Yüksek Lisans
Türkçe
2023
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BARIŞ AŞIKGİL
- Makine öğrenmesi yöntemleriyle biyomedikal veriden kanser teşhisi
Cancer diagnosis from biomedical data with machine learning methods
ÖZNUR SİNEM SÖNMEZ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA DAĞTEKİN
- Development of visual analysis interfaces for large biological data and characterization of immunomodulatory noncoding RNA networks cancer
Büyük biyolojik veriler için görsel analiz arayüzlerinin geliştirilmesi ve kanserde immünomodülatör kodlamayan RNA ağlarının karakterizasyonu
MUHAMMET EMRE KUŞ
Yüksek Lisans
İngilizce
2023
Biyolojiİzmir Yüksek Teknoloji EnstitüsüMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ATAKAN EKİZ
- Directional wide band printed monopole antenna for use in microwave breast cancer imaging
Mikrodalga meme kanseri görüntüleme kullanımı için geniş bantlı yönlü mikroşerit anten
JAVAD JANGİ GOLEZANİ
Yüksek Lisans
İngilizce
2012
İletişim Bilimleriİstanbul Teknik ÜniversitesiHaberleşme Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN