Geri Dön

Prediction of psychological disorder levels with deep learning models based on electroencephalography (EEG) signals

Elektroensefalografi (EEG) tabanlı sinyaller üzerinden psikolojik bozukluk düzeylerinin derin öğrenme modelleri ile tahmini

PDF İndir

  1. Tez No: 863436
  2. Yazar: OĞUZHAN MEMİŞOĞLU
  3. Danışmanlar: DR. MEHMET GÖKHAN HABİBOĞLU, DR. SANAM MOGHADDAMNIA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Psikiyatri, Nöroloji, Mühendislik Bilimleri, Psychiatry, Neurology, Engineering Sciences
  6. Anahtar Kelimeler: Depresif bozukluk-majör, EEG, Makine öğrenmesi, Yapay sinir ağları, Depressive disorder-major, Machine learning, Artificial neural networks
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Türk-Alman Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Robotlar ve Akıllı Sistemler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Çok çeşitli ve karmaşık olan psikolojik bozukluklar, insan deneyimi boyunca karşılaşılan zorlukların bir spektrumunu çizer. Depresyon, dünya çapında milyonlarca bireyi etkileyen ve yaşamı tehdit eden psikolojik bozukluklardan biridir. Geleneksel teşhis büyük ölçüde öznel raporlara dayanır ve bu da nesnelliği ve doğruluğu engeller. Bu çalışma, derin sinir ağlarının (DNN) elektroensefalografi (EEG) verilerini kullanarak depresyon şiddetini tespit etme ve karakterize etme potansiyelini araştırmaktadır. Bu çalışmada, kendi kendini derecelendiren depresyon ölçeği (SDS) puanına dayalı olarak depresyon şiddetini tahmin etmek için sınıflandırmak üzere 60 deneğin dinlenme durumu ve görev odaklı EEG kayıtlarını içeren açık kaynaklı bir veri kümesi incelenmiştir. Deneklerin ciddiyeti SDS puan aralıklarına göre etiketlenmiştir. DNN'lerin, özellikle de evrişimli sinir ağları (CNN'ler) ve tekrarlayan sinir ağlarının (RNN'ler) özellik çıkarma kabiliyetleri kullanılarak, EEG verilerinin kendisi ve literatürde kullanılan, EEG verisinden çıkarılan özellikler kullanılarak depresyon şiddet seviyesinin sınıflandırılması amaçlanmaktadır. Farklı veri girdi şekillerine göre sınıflandırma doğruluk oranları elde edilmiştir. EEG verilerinden elde edilen bazı özelliklerin ve bu özelliklerin kombinasyonlarının yukarıda bahsedilen ağlarda iyi sonuçlar verdiği gözlemlenmiştir.

Özet (Çeviri)

Psychological disorders, diverse and complex, paint a spectrum of challenges across the human experience. Depression is one of the life-threatening psychological disorders that impacts millions of individuals worldwide. Traditional diagnosis depends heavily on subjective reports, which inhibits objectivity and accuracy. This study investigates the potential of deep neural networks (DNNs) in detecting and characterizing depression severity using electroencephalography (EEG) data. In this study, an open-source dataset is examined, which includes resting state and task-driven EEG recordings of 60 subjects to classify to predict severity of depression, based on self-rating depression scale (SDS) score. Severity of subjects are labeled by the ranges of SDS score. Using the significant feature extraction capabilities of DNNs, particularly convolutional neural networks (CNNs) and recurrent neural networks (RNNs), it is aimed to classify depression severity level using EEG data itself and extracted features from EEG data proposed in the literature. Accuracies of different input representations are obtained. It is observed that using combinations of feature representations of EEG data shows promising results in the above-mentioned networks.

Benzer Tezler

  1. Tez No

    709909

    Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting

    Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma

    NADA CHAARI

    Doktora

    İngilizce

    İngilizce

    2021

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE CAMGÖZ AKDAĞ

    DR. ÖĞR. ÜYESİ ISLEM REKIK

  2. Tez No

    822220

    Perinatal dönemdeki psikiyatrik hastalık belirtilerinin yapay zeka tabanlı büyük veri işleme platformu ile belirlenmesi

    Detection of psychiatric disease symptoms in the perinatal period with an ai-based big data processing platform

    NUR BANU OĞUR

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CELAL ÇEKEN

  3. Tez No

    864357

    Psikolojik hastalıklar alanında medikal tahminler üretmeye yönelik derin öğrenme tabanlı dil modellerinin geliştirilmesi

    Development of deep learning based language models for generating medical predictions in the field of psychological diseases

    İRFAN AYGÜN

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KAYA

  4. Tez No

    1019039

    Bilgisayar görmesi ile saat çizimlerinden dikkat eksikliği ve hiperaktivite bozukluğu tespiti

    Detection of attention deficit hyperactivity disorder from clock drawings using computer vision

    HOMAM W. ALNİDAWİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED FATİH ADAK

    DOÇ. DR. ENES SARIGEDİK

  5. Tez No

    262

    Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması

    Başlık çevirisi yok

    EMEL ÖNDER

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Tekstil ve Tekstil MühendisliğiEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNGÖR BAŞER

Geri Dön