Sigara bağımlılığının biyolojik sinyaller kullanarak makine öğrenmesi yöntemleri ile analizi
Analysis of smoking addiction using machine learning methods with biological signals
- Tez No: 896807
- Danışmanlar: DR. ÖĞR. ÜYESİ CEMİL ALTIN, DR. ÖĞR. ÜYESİ EMRE ÖLMEZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 129
Özet
Sigara bağımlılığı dünya genelinde ciddi bir sağlık sorunu olarak kabul edilmektedir. Nikotin bağımlılığına dayanan sigara kullanımı milyonlarca insanı etkilemekte ve önemli sağlık sorunlarına yol açmaktadır. Sigara kullanımının beyin aktivitelerini etkilediği bilimsel çalışmalarla ortaya konmuştur. Elektroensefalografi (EEG), beyin aktivitesini ölçmek için kullanılan bir yöntemdir. Baş derisi üzerine yerleştirilen elektrotlar aracılığıyla beyin dalgaları kaydedilir. Bu kayıtlar farklı frekans aralıklarında (delta, teta, alfa, beta, gama gibi) beyin aktivitesini görselleştirmeye ve analiz etmeye olanak tanır. Bu tez çalışmasının temel amacı, EEG verilerinin zaman-frekans domeni özelliklerini çıkararak, geleneksel yöntemler yerine makine öğrenmesi yöntemleriyle sigara bağımlılığının analiz edilmesidir. Çalışmanın ilk aşamasında, 30 farklı bireyden görsel uyaranlarla toplanan EEG verileri Fagerström Nikotin Bağımlılığı anketi (FTND) ile etiketlenmiştir. Daha sonra makine öğrenmesi yöntemlerinde az veya dengesiz veri olumsuzluklarının önlenmesi için EEG verisi GAN (Çekişmeli Üretici Ağlar) ile sentetik olarak çoğaltılmıştır. Çoğaltılmış veriler, (DWT) Ayrık Dalgacık Dönüşümü, zaman ve frekans domeninde özellik çıkarımı gibi ön işlemlerden geçirilmiştir. İkinci aşamada ön işlemlerden geçirilen EEG verileri kNN (k-En Yakın Komşuluk), SVM (Destek Vektör Makineleri), YSA (İleri Beslemeli Yapay Sinir Ağları) ve RNN (Tekrarlamalı Sinir Ağları) gibi makine öğrenmesi algoritmalarıyla sınıflandırılmıştır. Sonuçlar sigara uyaranlarına verilen beyin tepkilerinin özellikle temporal ve prefrontal lob bölgelerinde belirgin olduğunu ve teta frekans bandında daha yüksek sınıflandırma başarılarına ulaşıldığını göstermiştir. İleri beslemeli YSA ile yapılan sınıflandırma başarı oranları, % 99 seviyelerine ulaşmıştır. Bu çalışma sigara bağımlılığına yönelik nörofizyolojik belirteçlerin belirlenmesinde EEG tabanlı makine öğrenmesi yöntemleri kullanımının potansiyelini vurgulamaktadır.
Özet (Çeviri)
Smoking addiction is considered a serious health problem worldwide. Smoking based on nicotine addiction affects millions of people and causes significant health problems. Scientific studies have shown that smoking affects brain activity. Electroencephalography (EEG) is a method used to measure brain activity. Brain waves are recorded through electrodes placed on the scalp. These recordings allow visualization and analysis of brain activity in different frequency ranges (such as delta, theta, alpha, beta, gamma). The main purpose of this thesis is to analyze smoking addiction with machine learning methods instead of traditional methods by extracting the time-frequency domain features of EEG data. In the first stage of the study, EEG data collected with visual stimuli from 30 different individuals were labeled with the Fagerström Nicotine Dependence Questionnaire (FTND). Later, EEG data was synthetically reproduced with GAN (Adversarial Generative Networks) to prevent the negativities of insufficient or unbalanced data in machine learning methods. The multiplied data were subjected to pre-processing such as Discrete Wavelet Transform (DWT), feature extraction in time and frequency domains. In the second stage, the pre-processed EEG data were classified with machine learning algorithms such as kNN (k-Nearest Neighbor), SVM (Support Vector Machines), ANN (Feed Forward Artificial Neural Networks) and RNN (Recurrent Neural Networks). The results showed that the brain responses to smoking stimuli were especially pronounced in the temporal and prefrontal lobe regions and higher classification success was achieved in the theta frequency band. The classification success rates made with feed forward ANN reached 99%. This study emphasizes the potential of using EEG-based machine learning methods in determining neurophysiological markers for smoking addiction.
Benzer Tezler
- Nikotin bağımlı sıçan soylarında TCF7L2'nin nikotin bağımlılığı ve glukoz metabolizması üzerine etkileri
The effects of TCF7L2 on nicotine addiction and glucose metabolism in nicotine dependent rat breed
İBRAHİM HALİL ÇİTÇİ
Doktora
Türkçe
2024
FizyolojiEge ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
PROF. DR. BUKET KOSOVA
PROF. DR. OĞUZ GÖZEN
- NPY gen polimorfizmleri ve alkol bağımlılığı arasındaki ilişkinin araştırılması
Investigation of association between NPY gene polymorphisms and alcoholism
HAYRİYE AKEL
- Lise öğrencilerinde ana-baba tutumlarının bağımlılık yapıcı maddelere karşı tutumlar üzerine etkisi
The effect of parent attitudes on the attitudes against addictive substances in high school students
COŞKUN ÖZTEKİN
Tıpta Uzmanlık
Türkçe
2012
Aile HekimliğiSağlık BakanlığıAile Hekimliği Ana Bilim Dalı
UZMAN TİJEN ŞENGEZER
- Nikotini metabolize eden CYP2A6 enziminin moleküler modelleme çalışmaları
Molecular modeling studies on nicotine metobolising CYP2A6 enzyme
SEÇKİN FİKİRDEŞİCİ
- Sigara ve obezitenin tiroid fonksiyonlarına etkisi
Effects of smoking and obesity on thyroid funtions
NUSRET KARA
Tıpta Uzmanlık
Türkçe
2015
Aile HekimliğiMersin ÜniversitesiAile Hekimliği Ana Bilim Dalı
PROF. DR. ERTAN MERT