Makine öğrenmesi algoritmaları ile epilepsili çocukların klinik ve laboratuvar bulgularının incelenmesi
Examination of clinical and laboratory findings of children with epilepsy using machine learning algorithms
- Tez No: 721010
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Epilepsi, retrospektif, febril konvülsiyon, EEG, mental retardasyon, Anamnez alma, Elektroensefalografi, Makine öğrenmesi, Epilepsy, retrospective, febrile convulsion, EEG, mental retardation, Medical history taking, Electroencephalography, Machine learning
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kto Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dirençli epilepsi hastalarının tanımlanması kolay değildir ve uzun deneme yanılma süreçleri gerekmektedir. Bu çalışmada dirençli epilepsi tanısını desteklemek için hasta öykülerinden oluşturulan verilere makine öğrenmesi yöntemleri uygulanmıştır. Bu amaçla, 500 epilepsili çocuk hastanın öykülerinden oluşturulan veri seti kullanılarak karar ağaçları, destek vektör makineleri, rastgele orman, yapay sinir ağları, lojistik regresyon, k-en yakın komşu ve Gaussian Naive Bayes algoritmaları ile sınıflandırma işlemi gerçekleştirilmiştir. Algoritmaların performansını belirlemek için doğruluk, özgüllük, hassasiyet ve f-skor istatistiksel ölçütleri kullanılmıştır. Elde edilen sonuçlara göre rastgele orman algoritması 0.85 doğruluk değeri, 0.86 özgüllük değeri, 0.98 hassasiyet değeri ve 0.90 f-skor ile en iyi performansa sahiptir. İkincil olarak, bağımsız değişken olan dirençli epilepsiye etkisini görebilmek için,“sınıflandırıcı ile özellik değerlendirici”özellik seçimi yöntemi ile elde edilen özellikler (kullanılan ilaç sayısı, akraba evliliği, ailede febril konvülsiyon öyküsü, ailede epilepsi olma durumu, ilk elektroensefalografi ve mental retardasyon) ile yeni bir veri seti oluşturulmuştur. Aynı algoritmalar yeni veri kümesine uygulanmış ve performanslarını belirlemek için doğruluk, özgüllük, hassasiyet ve f-skor ölçümleri kullanılmıştır. Elde edilen sonuçlara göre en yüksek doğruluk ölçütü 0.85 ile destek vektör makinelerine, en yüksek özgüllük değeri 0.98 ile destek vektör makineleri ve rastgele orman algoritmalarına, en yüksek hassasiyet 0.87 ile Gaussian Naive Bayes ve yapay sinir ağları algoritmalarına, en yüksek f-skor 0.92 ile destek vektör makineleri algoritmasına aittir.
Özet (Çeviri)
Identification of patients with resistant epilepsy is not easy and requires long trial and error processes. In this study, machine learning methods were applied to data generated from patient histories to support the diagnosis of resistant epilepsy. For this purpose, the data set created from the stories of 500 children with epilepsy, decision trees, support vector machines, random forest, artificial neural networks, logistic regression, k nearest neighbor and Gaussian Naive Bayes algorithms were used for classification. Statistical measures of accuracy, specificity, sensitivity and f-score were used to determine the performance of the algorithms. According to the results obtained, the random forest algorithm has the best performance with 0.85 accuracy value, 0.86 specificity value, 0.98 sensitivity value and 0.90 f-score. Secondly, in order to see its effect on resistant epilepsy which is the independent variable, a new data set was created with features (number of drugs used, consanguineous marriage, family history of febrile convulsions, epilepsy in the family, first electroencephalograpy and mental retardation) obtained by the classifier and feature evaluator feature selection method. The same algorithms were applied to this new data set and measures of accuracy, specificity, sensitivity and f-score were used to determine their performances. According to the results obtained, the highest accuracy criterion belongs to support vector machines with 0.85, the highest specificity value belongs to support vector machines and random forest with 0.98, the highest sensitivity belongs to Gaussian Naive Bayes and artificial neural networks with 0.87, and the highest f-score belongs to support vector machines with 0.92.
Benzer Tezler
- Makine öğrenme algoritmaları ile elektroensefalografi analizi ve epilepsi tanı yöntemlerinin geliştirilmesi
Development of diagnosis of epilepsy and electroencefalography analysis with machine learning algorithms
GİZEM GÜLER
Yüksek Lisans
Türkçe
2023
Doğuş ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Yapay zeka destekli video-eeg analizi ile beyin MRG pozitif pediatrik epilepside fokalite tespiti ve nörogörüntüleme bulgularıyla korelasyonu
Artificial intelligence–assisted video-eeg analysis for localization of epileptogenic foci in MRI-positive pediatric epilepsy and its correlation with neuroimaging findings
OKTAY AKTÜRK
Tıpta Uzmanlık
Türkçe
2025
Akdeniz ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
Yükleniyor...
- Elektroensefelorafi ve elektrokardiyografi sinyalleri kullanılarak epilepsi nöbetlerinin yapay zeka ile tahmin edilmesi
Epileptic seizure prediction using artificial intelligence based on EEG and ECG signals
NUR SENA ÖZDEMİR YILMAZ
Yüksek Lisans
Türkçe
2025
Tobb Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
Yükleniyor...
- MFCC destekli makina öğrenmesi algoritmaları ile fokal/non-fokal EEG kayıtlarının sınıflandırılması
Focal/non-focal EEG records classification with MFCC based machine learning algorithms
DELAL ŞEKER
Yüksek Lisans
Türkçe
2021
Dicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Epilepsi hastalarında nöbet öncesi bulguların kantitatif olarak değerlendirilmesi
Quantitative evaluation of pre-seizure findings in epilepsy patients
ASIM TAŞKIN