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: Elektrik ve Elektronik Mühendisliği, Bilim ve Teknoloji, Electrical and Electronics Engineering, Science and Technology
- 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: Belirtilmemiş.
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
- Kalman filtresi ve ayrık dalgacık dönüşümü tekniği kullanılarak EKG işaretleri üzerindeki gürültülerin temizlenmesi
Denoising of noisy ECG signals by using kalman filtering and discrete wavelet transform beams on elastic foundation
ALİ OKTAY KARAKOÇ
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KORÜREK
- Ayrık dalgacık dönüşümü (ADD) kullanılarak ses steganografisi
Audio steganography using discrete wavelet transform (DWT)
HAMIDAH SALEH ABDULLAH MOHAMMED ZOLAAT
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Atlas ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RECEP DURANAY
- Frekans domainde yerel ikili desen: Ayrık kosinüs dönüşümü ve haar dalgacık dönüşümü ile performans karşılaştırması
Local binary pattern in the frequency domain: Performance comparison with discrete cosine transform and haar wavelet transform
EREN ŞEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Nişantaşı ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ÖZKURT
DOÇ. DR. İBRAHİM FURKAN İNCE
- Yapay us yöntemleri kullanılarak enerji kalitesi bozucularının belirlenmesi
Determining power quality distrubances using artificial neural networks
ÇAĞRI KOCAMAN
Doktora
Türkçe
2010
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik Tesisleri Ana Bilim Dalı
YRD. DOÇ. DR. MUAMMMER ÖZDEMİR