EEG sinyallerinden şizofreni hastalarının derin öğrenme yöntemleri ile belirlenmesi
Determination of schizophrenia patients from EEG signals with deep learning methods
- Tez No: 788116
- Danışmanlar: PROF. DR. TANER TUNCER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Şizofreni teşhisi, alanında uzman bir psikiyatrist tarafından hasta görüşmeleri yoluyla gerçekleştirilir. Bahsedilen tespit işlemi uzun zaman gerektiren, masraflı ve hataya açık bir işlemdir. Ciddi ve kronik bir hastalık olan şizofrenide hastalar gerçek hayatla arasındaki bağlantısını yitirerek farklı davranışlar sergilemeye, gerçek olmayan olaylara inanmaya ve kişiliklerini değiştirmeye eğilim gösterirler. Hayat boyu süren bu hastalıkta doğru tedavi ile hastalık kontrol altına alınabilir. Bu sayede hastalar sağlıklı bir birey olarak yaşamını sürdürebilir, sosyal ilişkilerinde ve iş hayatlarında başarılı olabilirler. Tedavi süreci, yapılan en küçük bir ihmalde hastalığın yeniden nüksünü tetikleyebileceğinden büyük bir özen ve hassasiyet gerektirir. Bütün bu sebeplerden kaynaklı olarak hastalığın teşhisi önem arz etmektedir. Bu tez çalışmasında Şizofreni hastalığının tanı ve teşhis sürecini hızlandırmak için EEG sinyallerinden kişilerin şizofreni olup olmadığının tespit edilmesi amaçlanmaktadır. Bu amaçla, iki uygulama gerçekleştirilmiştir. Uygulamalarda kullanılan veri seti NNCI platformundan alınan uluslararası 10-20 sistemine uygun bir şekilde 16 kanal üzerinden elde edilen EEG sinyallerinden oluşmaktadır. İlk uygulamada; ilgili veri setinde yer alan sinyallerin spektrogram görüntüleri elde edilmiştir. Derin öğrenme mimarileri ve makine öğrenmesi algoritmalarıyla (AlexNet-SVM, AlexNet-KNN, GoogleNet-SVM, GoogleNet-KNN, VGG16-SVM ve VGG16-KNN) hibrit modelleri oluşturulup spektrogram görüntüleri kullanılarak uygulamalar gerçekleştirilmiştir. Her bir kanalın sınıflandırma sonuçlarının başarımları gözlemlenerek en yüksek doğruluk oranının VGG16-SVM modeliyle elde edildiği gözlemlenmiştir. Ek olarak kanallarına ayrılmadan EEG kanallarının tümü üzerinden yapılan sınıflandırmalar aynı hibrit modeller üzerinde gerçekleştirilmiştir. Tüm kanalların bir arada bulunduğu uygulama için en iyi sonucu %99,39 ile AlexNet-KNN hibrit modeli vermiştir. Denenen 6 hibrit modelin sonuçları üzerinde durulup kanal bazlı sınıflandırmanın avantajları üzerinde durulmuştur. Bu tez kapsamında yer alan ikinci bir uygulamada aynı veri seti üzerinden alınan ham EEG verileri LSTM ağı ile birlikte ele alınıp sınıflandırmaya tabi tutulmuştur. LSTM ağı ile gerçekleştirilen sınıflandırma işlemlerinde hem 16 EEG kanalı üzerinden hem de tüm kanalların bir arada bulunduğu veriler üzerinden sınıflandırmalar gerçekleştirilmiştir.
Özet (Çeviri)
The diagnosis of schizophrenia is made through patient interviews by a psychiatrist who is an expert in the field. The mentioned detection process is a time-consuming, costly and error-prone process. In schizophrenia, which is a serious and chronic disease, patients tend to exhibit different behaviors, believe in unreal events and change their personalities by losing their connection with real life. In this life-long disease, the disease can be brought under control with the right treatment. In this way, patients can continue their lives as healthy individuals and be successful in their social relations and business life. The treatment process requires great care and sensitivity as it can trigger the recurrence of the disease in the slightest neglect. Because of all these reasons, diagnosis of the disease is important. In this thesis, it is aimed to determine whether people have schizophrenia from EEG signals in order to accelerate the diagnosis and diagnosis process of schizophrenia. For this purpose, two applications were carried out. The data set used in the applications consists of EEG signals obtained over 16 channels in accordance with the international 10-20 system received from the NNCI platform. In the first application; Spectrogram images of the signals in the relevant data set were obtained. Hybrid models were created with deep learning architectures and machine learning algorithms (AlexNet-SVM, AlexNet-KNN, GoogleNet-SVM, GoogleNet-KNN, VGG16-SVM and VGG16-KNN) and applications were carried out using spectrogram images. By observing the performance of the classification results of each channel, it was observed that the highest accuracy rate was obtained with the VGG16-SVM model. In addition, classifications made over all EEG channels without dividing into channels were performed on the same hybrid models. The AlexNet-KNN hybrid model gave the best result with 99.39% for the application where all channels are combined. The results of the 6 hybrid models tested are emphasized and the advantages of channel-based classification are emphasized. In a second application within the scope of this thesis, the raw EEG data obtained from the same data set were handled and classified together with the LSTM network. In the classification processes performed with the LSTM network, classifications were carried out both over 16 EEG channels and on the data in which all channels were together.
Benzer Tezler
- 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
- Noise removal in electroencephalogram (EEG) using deep learning algorithms
EEG sinyallerinde gürültünün temizlenmesi için derin öğrenme algoritmalarının kullanılması
ABUZER DOGAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA KAYHAN
- EEG sinyallerinin sınıflandırılmasında kuantum tabanlı karar destek sisteminin gerçekleştirilmesi
Implementation of a quantum-based decision support system for classification of EEG signals
GAMZEPELİN AKSOY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT KARABATAK
- Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı
A new extreme learning machine auto encoder design for medical datasets
BERNA ARI
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Beyin sinyalleri kullanılarak psikiyatrik hastalıkların derin öğrenme ve makine öğrenme yöntemleriyle incelenmesi
Examining psychiatric diseases with deep learning and machine learning methods using brain signals
YAMAN RAMADAN
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. MUSTAFA TOSUN