Huzursuz bacak sendromlu hastalarda makine öğrenmesi yöntemleri ile elektrofizyolojik sinyal kayıtlarının incelenmesi
Investigation of electrophysiological signal records by machine learning methods in patients with restless legs syndrome
- Tez No: 820856
- Danışmanlar: DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 54
Özet
Amaç: Bu çalışmanın amacı Huzursuz Bacak Sendromunun (HBS) tespitinin doktor incelemesi olmadan yapılabilmesidir. Ayrıca HBS tespitinde Elektromiyografi (EMG) sinyallerinin gerekliliğini ortadan kaldırarak sadece Elektroensefalografi (EEG) sinyalleri ile HBS tespitinin yapılabilmesidir. Yöntem: Bu çalışmada, 60 kişiye ait elektrofizyolojik sinyallerinin yer aldığı veri seti kullanılmıştır. Her kişinin elektrofizyolojik sinyalleri için ayrı ayrı aykırı veri temizleme ve filtreleme işlemleri yapılmıştır. Dalgacık Dönüşümü, Spektral Analiz ve Hurst üssü yöntemleri ile bu sinyallerden toplamda 132 özellik çıkarılarak yeni bir veri seti oluşturulmuştur. Veriler üzerinde makine öğrenmesi yöntemleri uygulanmadan önce SMOTE (Synthetic Minority Oversampling Technique) yöntemi ile veri sayısı 600'e çıkarılarak ikinci bir veri seti oluşturulmuştur. Böylelikle yapılacak olan işlemlerin hem ham veri setinde hem de SMOTE sonrası veri setinde değerlendirilmesi amaçlanmıştır. Ayrıca SelectKBest ve Temel Bileşenler Analizi (PCA) özellik seçme yöntemleri iki veri setine de uygulanarak sonuçları değerlendirilmiştir. HBS'nin tespiti için makine öğrenmesi yöntemlerinden K En Yakın Komşu Algoritması (KNN), Karar Ağaçları, Extra Ağaç ve Gradient Boosting Sınıflandırma algoritmaları, Voting Topluluk Yöntemi ve Derin Öğrenme kullanılmıştır. Bulgular: Makine öğrenmesi yöntemleri altı ayrı durumda uygulanmıştır. Bu yöntemler önce ham veri setine, SelectKBest özellik seçimi uygulanmış ham veri setine ve PCA uygulanmış ham veri setine uygulanmıştır. Bu uygulamalarda en yüksek doğruluk oranı %91 ile ham veri setindeki Voting yöntemidir. Daha sonra SMOTE uygulanmış veri seti için aynı uygulamalar gerçekleştirilmiştir. Yapılan tüm bu altı ayrı uygulamada en yüksek başarı oranı %99 ile Extra Ağaç Sınıflandırıcısınındır. Sonuç: Çalışmada elde edilen yüksek başarı HBS'nin EEG sinyallerinden uzman değerlendirmesi olmadan doğrudan tespit edilebileceği iddiasını kuvvetlendirmiştir. Bu çalışmanın sonucunda yapılabilecek bir çalışma ile HBS ya da Periyodik Bacak Hareketleri (PBH) teşhisinde bulunacak doktorlar için bir tanı tavsiyesinde bulunacak sistem tasarlanabilir.
Özet (Çeviri)
Purpose: The aim of this study is to detect Restless Legs Syndrome (RLS) without a doctor's examination. In addition, it can detect only Electroencephalography (EEG) signals, eliminating the necessity for Electromyography (EMG) signals. Method: In this study, there are datasets of electrophysiological signals of 60 people recorded separately overnight. Outlier data cleaning and filtering processes were performed for each of these data sets. A new data set was created by extracting a total of 132 features from the data sets using Wavelet Transform, Spectral Analysis and Hurst exponent methods. Before applying machine learning methods to the data, a second data set was created by increasing the number of data to 600 with the SMOTE (Synthetic Minority Oversampling Technique) method. Thus, it is aimed to evaluate the operations to be performed both in the raw data set and in the post-SMOTE data set. In addition, SelectKBest and Principal Components Analysis (PCA) feature selection methods were applied to both data sets and the results were evaluated. For the detection of HBS, K Nearest Neighbor Algorithm (KNN), Decision Trees, Extra Tree and Gradient Boosting Classification algorithms, Voting Ensemble Method and Deep Learning were used. Findings: Machine learning methods were applied in six different cases. First, the raw data set was applied to the raw dataset with SelectKBest feature selection applied, and the raw data with PCA applied. The highest accuracy rate in these applications is the Voting Method in the raw data set with 91%. Then, the same applications were performed for the SMOTE applied data set. In these and all applications, the Extra Tree Classifier has the highest success rate of 99%. Results: The high success achieved in the study strengthened the claim that RLS can be detected directly from EEG signals without expert evaluation. As a result of this study, with a study that can be done, a system that will make a diagnosis recommendation for doctors who will diagnose RLS or PLM can be designed.
Benzer Tezler
- Huzursuz bacak sendromu hastalarında kognitif fonksiyonların nörofizyolojik ve nöropsikolojik olarak değerlendirilmesi
Neurophysiological and neuropsychological assessment of cognitive function in patients with restless legs syndrome
BURCU ERAY
- Erzurum il merkezi ve çevresinde 15-80 yaş arası huzursuz bacak sendromu prevalans araştırması
The prevalence of restless leg syndrome in the population of 15-80 years in the province of Erzurum and nearby cities
MUSTAFA CEYLAN
- Huzursuz bacak sendromlu hastalarda dikkat eksikliği ve hiperaktivite bozukluğu semptomları: Klinik önemi ve günlük yaşam üzerine etkisi
Başlık çevirisi yok
İLKNUR YARDIMCI
- Dopamin eksikliği-koku bozukluğu ilişkisinin huzursuz bacak sendromunda incelenmesi, araştırma sonuçlarının tat duyusu ile karşılaştırılması
Discussion on the relationship between dopamine deficiency-odor disorder in the restless leg syndrome and the comparison of research results with the taste sensitivity
MUSTAFA KARAOĞLAN
Tıpta Uzmanlık
Türkçe
2017
NörolojiSağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
DOÇ. DR. HAKAN TEKELİ
- Böbrek transplantasyonu sonrası huzursuz bacak sendromu sıklığı ve uyku kalitesi ile ilişkisi
After kidney transplant surgerry in a relationship between sleep quality and restless legs syndrome
TUĞBA ÖZEL
Yüksek Lisans
Türkçe
2008
HemşirelikAfyon Kocatepe Üniversitesiİç Hastalıkları Hemşireliği Ana Bilim Dalı
DOÇ. DR. NEŞE DEMİRTÜRK
DOÇ. DR. SERAP DEMİR
DOÇ. DR. TÜLAY KÖKEN