Geri Dön

Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi

Determination of neuromarkers associated with dementia using EEG and machine learning

PDF İndir

  1. Tez No: 812817
  2. Yazar: MESUT ŞEKER
  3. Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 132

Özet

Alzheimer Hastalığı (Alzheimer Disease-AD) demansın en yaygın sebebi olup genelde yaşlılarda görülen nörolojik bir hastalıktır. Hafif Kognitif Bozukluk (Mild Cognitive Impairment, MCI), AD'nin bir önceki evresi olup erken belirteç olarak bilinir. Hastalığın ciddiyeti sebebiyle AD'nin erken evrelerdeki gelişiminin tespiti için düşük maliyetli, invaziv olmayan, ve yüksek çözünürlüklü belirteçlerin geliştirilmesi gerekmektedir. Bu tezin amacı, demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesidir. Söz konusu belirteçlerin belirlenmesi amacıyla; AD/MCI gruplarına ait spontan EEG kayıtları, demansda yavaşlama, düşük karmaşıklık ve senkronizasyon örüntülerinin analizleri tez kapsamında çalışılmıştır. Tez kapsamında belirlenen nöro-belirteçler ile demansın erken evrede tespiti, literatüre önemli bir katkı sağlayacağı düşünülmektedir. Bu tez çalışmasında, göz açık-kapalı durumunda 85 AD, 85 MCI, ve 85 Sağlıklı Kontrol (Healthy Condition-HC) içeren Veri seti 1 ve göz kapalı durumda 10 MCI ve 10 HC içeren Veri seti 2 EEG kayıtları analiz edilmiştir. Permütasyon Entropi (PE) karmaşıklık nöro-belirteci olarak önerilirken, tepe güç genlikleri ve frekansları spektral belirteçler olarak seçilmiş ve elektrotlar arasındaki wPLI senkronizasyon özellikleri olarak önerilmiştir. Entopi nöro-belirteçleri için kişi tabanlı 3 sınıflı sınıflandırma yaklaşımı benimsenirken, geri kalan analizler için epok temelli ikili sınıflandırıcılar uygulanmıştır. 25 adet Lazypredict algoritması dikkate alınmış ve en uygun sonuçlar veren işlemlere devam edilmiştir. Bu çalışmada, HC/MCI gruplarını içeren Veri seti 2, 1B EEG segmentleri kullanılarak (EEGNet ve DeepConvNet ile) incelenmiş ve oluşturulan 2B EEG zaman serileri Conv2B ve ResNet mimarileri kullanılarak sınıflandırılmıştır. Ayrıca, 1B EEG kayıtları 2B zaman-frekans (ZF) görüntülerine dönüştürülmüştür. CNN tabanlı ağlar ve Vision Transformer, ZF görüntülerini sınıflandırmak için uygulanmıştır. Sonuç olarak, entropi analizinde gözler açık konumda MCI vs. AD ayrımı central, temporal ve oksipital bölgelerde %100 doğrulukla sonuçlandırılmıştır. MCI'nin bir geçiş evresi olduğu gösterilmiştir. Alfa ve beta tepe genlikleri MCI vs. HC ayrımı için en uygun belirteçlerdir. HC grubunda daha yüksek wPLI değerleri gözlemlenip gruplar %99 doğrulukla sınıflandırılmıştır. Tüm MCI ve HC grupları EEGNet, DeepConvNet ve Vision Transformer (ViT) ile tamamen doğru ayırt edilmiştir. ViT'in dikkat mekanizasması kullanarak CNN tabanlı yaklaşımlardan daha üstün olduğu görülmüştür. ResNet mimarisi de artık bloklar kullanarak CNN'den daha etkili sonuçlar üretmiştir. Mevcut tez çalışması, EEG tabanlı nöro-belirteçler ve makine öğrenme mimarileri kullanarak AD/MCI tespiti için potansiyel sonuçlar sunmaktadır.

Özet (Çeviri)

Alzheimer's Disease (AD) is the most common cause of dementia and neurodegenerative disease in elderly people. Mild Cognitive Impairment (MCI) is the pre-stage of AD and is known as an early marker. Because of the severity of the disease, there is a need to develop low-cost, non-invasive, and high-resolution markers that are effective to detect the development of AD at its early stages. The target of this thesis is the determination of neuro-markers associated with dementia using EEG and machine learning. Spontaneous EEG recordings from AD/MCI groups are analyzed to identify markers of slowing, reduced complexity, and synchronization patterns within the scope of the thesis. The detection of early-stage dementia using these neuromarkers is expected to contribute significantly to the literature. In this thesis study, EEG records from Dataset 1 involving 85 HC, 85 MCI and 85 AD under eyes closed-open state, and Dataset 2 including 10 MCI and 10 HC under eyes closed state are analyzed. Permutation Entropy (PE) is proposed as complexity neuromarker, peak power amplitudes and frequencies are selected as spectral markers and wPLI between pair-wised electrodes is recommended as synchrony features. A 3-way subject based classification approach is utilized for entropy neuromarkers via. Multinomial Logictic Regression and epoch based binary classifiers are implemented to Dataset for rest of analysis. 25 of Lazypredict algorithms have considered and most relevant algorithm is picked up for further process. In this work, Dataset 2 including HC/MCI groups are also analyzed using 1D EEG segments via. state of art architectures (EEGNet, and DeepConvNet) and created 2D EEG time series are classified via. Conv2D, and ResNet architectures. Moreover, 1D EEG records are converted to 2D time-frequency representations. Then, CNN based networks and Vision Transformer are applied to classify TF images. As a conclusion, in entropy analysis, eyes open state increases MCI vs. AD classification rate in central, temporal and occipital regions within 100% acc. MCI is proven as conversion stage. Alfa and beta peak amplitudes are most promising markers for MCI vs. HC classification. Higher wPLIs are detected in HC in comparison with MCI and participants are classified up to 99% acc. All MCI and HC subjects are correctly classified within EEGNet, DeepConvNet, and Vision Transformer. Vision Transformer is superior than CNN based approaches due to its attention mechanicsm. ResNet is more effective than CNN because of using residual blocks. Current thesis study puts forward promising results for AD/MCI detection using EEG based neuro-markers and machine learning architectures.

Benzer Tezler

  1. Tez No

    777002

    Dicle havzasında yağış-akış ilişkisinin makine öğrenme yöntemleriyle belirlenmesi

    Determination of rainfall-runoff relationship in Tigris basin with machine learning methods

    SELMİN DERE

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiHarran Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OĞUZ ŞİMŞEK

  2. Tez No

    537399

    Serebral küçük damar hastalığı ile ilişkili parkinsonizm ve demans: Prevalans, klinik özellikler ve ilintili radyolojik ve elektrofizyolojik bulguların saptanması

    Cerebral small vascular disease associated parkinsonism and dementia: prevalance, clinical presentation and related radiologic and electrophysiologic findings

    SEDAT GEZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Nörolojiİstanbul Üniversitesi-Cerrahpaşa

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. AYŞEGÜL GÜNDÜZ

  3. Tez No

    266973

    Hastanede yatan yaşlı bireylerde demansla ilişkili olabilecek işlevsel -bilişsel bozukluk sıklığının incelenmesi

    Examining the frequency of functional-congnitive inefficiency possibly related with dementia in hospitalized elderly individuals

    SEHER GÖNEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    HemşirelikDokuz Eylül Üniversitesi

    İç Hastalıkları Hemşireliği Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZLEM KÜÇÜKGÜÇLÜ

  4. Tez No

    417501

    Alzheimer tipi demans ve karışık tip demans hastalarında apati ile ilişkili faktörlerin değerlendirilmesi

    Başlık çevirisi yok

    EBRU ÇOBANOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    PsikiyatriAnkara Üniversitesi

    Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ENGİN DUDU TURAN

  5. Tez No

    483912

    Konya il merkezinde alzheimer hastalığının prevalansı

    Prevalance of alzheimer disease in Konya province center

    DİLARA CARİ GÜNGÖR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    NörolojiNecmettin Erbakan Üniversitesi

    Nöroloji Ana Bilim Dalı

    PROF. DR. FİGEN GÜNEY

Geri Dön