Ayrık dalgacık dönüşüm liderleri, spektral analiz ve derin öğrenme modeli kullanılarak elektroensefalografi (EEG) sinyallerinden hafif bilişsel bozukluğunun tespiti
Detection of mild cognitive impairment from electroencephalography (EEG) signals using discrete wavelet transformation leaders, spectral analysis and deep learning model
- Tez No: 820138
- Danışmanlar: DR. ÖĞR. ÜYESİ HANİFE GÖKER
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Science and Technology, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin Öğrenme, DWT liderleri, Elektroensefalografi (EEG), Güç Spektral Analizi, Hafif Bilişsel Bozukluk (HBB), Deep learning, DWT leaders, Electroencephalography (EEG), Mild Cognitive Impairment (MCI), Power Spectral Analysis
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Teknolojileri Bilim Dalı
- Sayfa Sayısı: 93
Özet
Hafif Bilişsel Bozukluk (HBB), bilişsel bozukluklarla karakterize nöropsikolojik bir sendromdur. HBB'nin erken teşhisi, hastalığın Alzheimer hastalığına dönüşümünü yavaşlatabildiği için önemlidir. Hastalığın doğru ve erken teşhisi kapsamlı testleri ve uzun vadeli gözlemleri gerektirmektedir. Bunlar subjektif, pahalı veya eksik olabilir. EEG bulgulara dayalı olması, invazif olmaması ve daha az maliyetli olması gibi avantajlarıyla hastalıkların teşhisinde güçlü bir adaydır. Bu çalışmada derin öğrenme, makine öğrenmesi ve farklı öznitelik çıkarma yöntemleri kullanılarak, HBB'yi daha yüksek doğrulukla etkili bir şekilde tespit edebilen EEG tabanlı yeni bir model önerilmektedir. Çalışmada EEG sinyalleri Çok Ölçekli Temel Bileşen Analizi (MSPCA) kullanılarak gürültüden arındırılmıştır ve verisetinin boyutunu artırmak için Veri Büyütme (DA) gerçekleştirilmiştir. Daha sonra, EEG sinyallerinden öznitelikleri çıkarmak için Ayrık Dalgacık Dönüşümü Liderleri (DWT liderleri), Periodogram, Welch ve Multitaper öznitelik çıkarma yöntemi kullanılmıştır. Modelin doğrulanması 10-kat çapraz doğrulama yöntemi ile gerçekleştirilmiştir. Son olarak Çift Yönlü Uzun Kısa Dönem Hafıza (BiLSTM), Karar Ağacı (DT), Destek Vektör Makinesi (SVM) ve K-En Yakın Komşu (KNN) algoritmalarının performansları karşılaştırılmıştır. Multitaper spektral analizi ile BiLSTM derin öğrenme algoritmasını bütünleştiren model, deneyler sonucunda en yüksek performansı göstermiştir. Önerilen model, %98.97 doğruluk, %98.34 duyarlılık, %99.67 özgüllük, %99.70 kesinlik, %99.02 f1 skoru ve %97.94 Matthews Korelasyon Katsayısı (MCC) değerleri ile umut verici bir performans elde etmiştir.
Özet (Çeviri)
Mild Cognitive Impairment (MCI) is a neuropsychological syndrome characterized by cognitive disorders. Early diagnosis of MCI is important as it can slow the progression of the disease to Alzheimer's disease. Accurate and early diagnosis of the disease requires extensive testing and long-term observations. These can be subjective, expensive, or incomplete. EEG is a strong candidate in the diagnosis of diseases with its advantages such as being based on findings, non-invasive, and less costly. In this study, a new EEG-based model is proposed that can effectively detect MCI with higher accuracy by using deep learning, machine learning, and different feature extraction methods. In the study, EEG signals were denoised using Multiscale Principal Component Analysis (MSPCA), and Data Augmentation (DA) was performed to increase the size of the dataset. Then, Discrete Wavelet Transform Leaders (DWT leaders), Periodogram, Welch, and Multitaper feature extraction methods were used to extract features from the EEG signals. Validation of the model was carried out with the 10-fold cross-validation method. Finally, the performances of Bi-directional Long Short-Term Memory (BiLSTM), Decision Tree (DT), Support Vector Machine (SVM), and K-Nearest Neighbor (KNN) algorithms are compared. The model, which integrates the multitaper spectral analysis and the BiLSTM deep learning algorithm, showed the highest performance as a result of the experiments. The proposed model achieved promising performance with 98.97% accuracy, 98.34% sensitivity, 99.67% specificity, 99.70% precision, 99.02% f1 score, and 97.94% Matthews Correlation Coefficient (MCC).
Benzer Tezler
- İki boyutlu ayrık dalgacık dönüşüm filtreleri kullanarak sabit ve hareketli görüntü sıkıştırma
Image and video compression by using two dimensional wavelet transform
İBRAHİM ÖZ
Doktora
Türkçe
2006
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiY.DOÇ.DR. FEVZULLAH TEMURTAŞ
- Optimal power flow solution using fully connected neural networks with discrete wavelet transform
Ayrık dalgacık dönüşümü ile tam bağlantılı sinir ağları kullanılarak optimum güç akışı çözümü
RESUL ÇALIŞKAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜRKAN SOYKAN
- Moment tabanlı normalleştirmeye dayalı sayısal görüntü damgalama yöntemleri
Digital image watermarking methods using moment based normalization
SERAP KAZAN
Doktora
Türkçe
2009
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CABİR VURAL
- Rüzgar karakteristiklerinin dalgacık dönüşümü ile ortaya konması
Analysis of wind characteristics by using wavelet transform
KEMAL DURAN
Yüksek Lisans
Türkçe
2013
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. KASIM KOÇAK
- Wavelet frames and redundant wavelet transforms for fault detection
Dalgacık çerçeveleri ve artıklı dalgacık dönüşümleri ile arıza tespiti
TAYFUN ŞENGÜLER
Doktora
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER