Analysis of multichannel EEG signals for the detection of major depressive disorder
Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi
- Tez No: 687069
- Danışmanlar: PROF. DR. AYDIN AKAN, DR. ONAN GÜREN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Nöroloji, Psikiyatri, Engineering Sciences, Neurology, Psychiatry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Majör depresif bozukluk (MDB), dünya çapında yaygın olarak görülen bir duygudurum bozukluğudur. MDB tanısı, psikometrik anketler, hastanın kendi raporu ve profesyonelin klinik deneyimi gibi öznel yöntemlere dayanır. Bu tezin amacı, MDB hastalarını sağlıklı kişilerden (HC) ayırt etmeyi sağlayan objektif bir yöntem geliştirmektir. Elektroensefalograma (EEG) dayalı bilgisayar destekli (CAD) algoritmalar, MDB tanısındaki başarısı nedeniyle büyük ilgi görmektedir. Bu tezde, çok kanallı EEG sinyallerini analiz ederek MDB hastalığını ayırt etmek için için üç yaklaşım önerilmiştir. Önerilen ilk yöntemde 16 MDB hastası ve 16 HC'den alınan EEG sinyalleri beyin bölgelerine göre analiz edilerek sinyallerden zaman alanı, frekans alanı ve doğrusal olmayan öznitelikler çıkarılmıştır. Öznitelik kümeleri, dört farklı sınıflandırma algoritması kullanılarak sınıflandırılmıştır. Çalışma sonucunda, frontal bölge EEG kanallarından çıkarılan öznitelikler ile Destek Vektör Makinesi (SVM) kullanılarak %86,7 sınıflandırma doğruluğu elde edilmiştir. Görgül Kip Ayrışımı (EMD), önerilen ikinci yöntemde tanıtılmıştır. Yöntemde, EEG kanalları İçsel Mod Fonksiyonlarına (IMF'ler) ayrıştırılmış ve bir kanalın ilk iki IMF'si (IMF1 ve IMF2) yeni bir kanal gibi sayılacak şekilde seçilmiştir. Seçilen öznitelikler kanallardan ve kanalların ilk iki IMF'sinden çıkarılmıştır. Oluşan öznitelik kümeleri, dört farklı sınıflandırma algoritması kullanılarak sınıflandırılmıştır. EEG kanallarının paryetal bölgesinin sınıflandırılması için EMD ve Doğrusal Ayırma Analizi (LDA) sınıflandırıcısının kombinasyonu ile %91,5 ile en yüksek sınıflandırma doğruluğu elde edilmiştir. Üçüncü yöntem, EEG topografik görüntülerinden MDB'yi tanımlamak için Derin Öğrenme (DL) yaklaşımı önerilmiştir. Önerilen yaklaşım, iki boyutlu (2B) EEG topografik görüntülerle eğitilmiş Evrişimsel Sinir Ağı (CNN) mimarisini kullanarak MDB sınıfını tanımlar. Görüntüler, bir özniteliğin tüm kortekse yayılmasını temsil eden ve MDB ve HC'yi sınıflandırmak için CNN mimarisinde girdi olarak kullanılan EEG sinyallerinden elde edilmiştir. Sonuçlar, önerilen yaklaşımın sınıflandırma performansının %80.09'luk bir doğruluğa ulaştığını göstermektedir. MDB'nin otomatik ve objektif olarak tespit edilmesi, EEG sinyallerinin kullanılmasıyla önerilen yaklaşımlarla oluşturulabilir. Gelecekteki çalışmalarla önerilen yöntemlerin geliştirilmesi, profesyoneller için MDB'nin teşhisi sırasında önemli bir karar verme sistemi sağlayabilir.
Özet (Çeviri)
Major depressive disorder (MDD) is a common mood disorder encountered worldwide. The diagnosis of MDD is based on qualitative methods such as psychometric questionnaires, patient self-report, and the professional's clinical experience. The aim of this thesis is to develop an quantitative method to differentiate MDD patients from healthy controls (HCs). Electroencephalogram (EEG)-based computer-aided (CAD) methods have great attention due to the success of diagnosing MDD. In this thesis, three approaches for identifying MDD by analyzing multichannel EEG signals are proposed. EEG signals taken from 16 MDD patients and 16 HCs were analyzed in the first proposed method according to the brain region, and time-domain, frequency-domain, and nonlinear features were extracted. The feature sets are classified using four different classification algorithms. As a result of the study, the classification accuracy of 86.7% was achieved using the Support Vector Machine (SVM) with the features extracted from the frontal region EEG channels. Empirical Mode Decomposition (EMD) is introduced in the second proposed method. In the method, EEG channels were decomposed into Intrinsic Mode Functions (IMFs) and the first two IMFs (IMF1 and IMF2) of a channel were selected to act as a new channel. After that, the selected features were extracted from the channels and their two IMFs. The feature sets are classified using four different classification algorithms. The highest classification of 91.5% was achieved with the combination of EMD and Linear Discriminant Analysis (LDA) classifier for classification of the parietal region of EEG channels. The third method proposes Deep Learning (DL) approach to identify MDD in EEG topographic images. The proposed approach identifies MDD classes using Convolutional Neural Network (CNN) architecture trained by two-dimensional (2D) EEG topographic images. The images were obtained from the EEG signals which represent the spread of a feature to the whole cortex and used as inputs in CNN architecture to classify MDD and HC. The results show that the classification performance of the proposed approach reaches a validation ACC of 80.09%. Automatic detection of MDD can be potential with the approaches through EEG signals. In future studies, developing the proposed methods may provide a crucial decision-making system during the diagnosis of MDD for professionals.
Benzer Tezler
- Nonlinear dynamic analysis of eeg-signals using synchronization techniques
Eeg sinyallerinin senkronizasyon teknikleri kullanılarak doğrusal olmayan dinamik analizi
ALİ EED MOHAMMAD OLAMAT
Doktora
İngilizce
2019
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Psikofizyolojik ölçüm tabanlı beyin bilgisayar arayüz sistemlerinde performans artırmaya yönelik bir çalışma
A study on performance increasing in psychophysiological measurement based brain-computer interface systems
ERDEM ERKAN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKBABA
- Spatial decoding of oscillatory neural activity for brain computer interfacing
Beyin makine arayüzleri için salınımlı beyin işaretlerinin uzamsal çözümlemesi
İBRAHİM ONARAN
Doktora
İngilizce
2013
Biyomühendislikİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ENİS ÇETİN
YRD. DOÇ. DR. NURİ FIRAT İNCE
- Çok kanallı iEEG sinyallerinin evrişimsel sinir ağlarıyla analizi
Analysis of multi-channell iEEG signals with convolutional neural networks
MUHİTTİN BAYRAM
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ALİ ARSERİM
- Derin sinir ağlarıyla elektroensefalografi sinyalleri sınıflandırılarak yenidoğanlarda epilepsi tanı yöntemi geliştirilmesi
Development of an epilepsy diagnosġs method in neonates byclassifying electroencephalography signals with deep neuralnetworks
SÜLEYMAN RENCUZOĞULLARI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİskenderun Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH ÇALIŞKAN