EEG sinyallerinin zaman-frekans gösterimlerinin derin öğrenme ile analizi sonucu alzheimer hastalığının tespiti
Detection of alzheimer disease through deep learning analysis of EEG signals' time-frequency representations
- Tez No: 909050
- Danışmanlar: PROF. DR. FIRAT KAÇAR, PROF. DR. AYDIN AKAN
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 165
Özet
Alzheimer Hastalığı (AH), nörodejeneratif bir hastalıktır ve demansın en yaygın türüdür. Bilişsel işlevsellikte kayıp, günlük aktivitelerde zorlanma ve hafıza eksikliği gibi semptomlarla kendini gösteren, ilerleyici ve geri dönüşü olmayan bir hastalıktır. Alzheimer hastalığının kesin bir tedavisi olmamakla birlikte, hastalığın erken teşhisi, etkili tedavi ve hastalığın yönetimi açısından önemlidir. Elektroensefalografi (EEG), Alzheimer hastalığının beyin üzerindeki etkilerini araştırmak için en sık tercih edilen klinik araçlardan biridir. EEG verilerinin derin öğrenme mimarilerinden olan Evrişimli Sinir Ağı (CNN) mimarileri ile eğitilerek, Alzheimer hastalığının tespitini yapmaya çalışmak, son zamanlarda üzerinde yoğun şekilde çalışılan konulardan biridir. Bu tez çalışmasında, derin öğrenme mimarileri ve zaman-frekans yaklaşımları kullanılarak Alzheimer hastalarının ve kontrol gönüllülerinin EEG verilerinin sınıflandırılması ile hastalığın erken teşhisi hedeflenmiştir. Bu amaçla, tanısal testlerle erken evre Alzheimer hastalığı teşhisi konmuş 15 Alzheimer hastasının ve 11 sağlıklı kontrol gönüllüsünün EEG sinyalleri incelenmiştir. EEG segmentlerinin, Kısa Zamanlı Fourier Dönüşümü (STFT) ile spektrogram ve Sürekli Dalgacık Dönüşümü (CWT), Bump, Amor ve Morse dalgacıkları ile skalogram görüntüleri elde edilmiş ve bu görüntüler ResNet18, Modifiye ResNet18_1, Modifiye ResNet18_2, GoogleNet, AlexNet ve DarkNet Evrişimli Sinir Ağı (CNN) mimarileri ile eğitilerek elde edilen sonuçlar değerlendirilmiştir. Tüm mimarilerin sonuçları kanal bazlı ve beyin bölgesi bazlı olarak değerlendirildiğinde en yüksek başarım oranlarının beynin arka (posterior) bölgesinde bulunan P4 kanalından CWT Bump zamanfrekans yaklaşımı ile elde edildiği görülmektedir. En yüksek validasyon ve test doğruluk (ACC) sonucuna sahip olan ResNet18 mimarisinden ve ResNet18'in modifiye edilmesiyle elde edilen daha az katman sayısına ve daha düşük filtre derecesine sahip olan ve en hızlı ve dengeli performans sergileyen Modifiye ResNet18_2 mimarisinden sırasıyla %88,11 ve %80,64 sınıflandırma başarımları elde edilmiştir. İki mimari için kanal bazlı değerlendirmede ise P4 kanallarından sırasıyla %96,90 ve %93,70 validasyon doğruluk (ACC) değerleri kaydedilmiştir. Modifiye ResNet18_2 mimarisi, klasik ResNet18'e kıyasla kısmen daha düşük bir ACC değerine sahip olmasına rağmen, eğitim ilerlemesi sonuçlarına bakıldığında dengeli ve sağlam bir performans sergileyerek aşırı uyum (overfitting) göstermediği görülmektedir. Ayrıca, önerilen mimari, diğer modellere göre eğitim sürecini çok daha hızlı tamamlayarak önemli bir zaman tasarrufu sağlamıştır. Bu bulgular, Alzheimer hastalığının tespitinde Modifiye ResNet18_2 mimarisinin doğruluk ve eğitim verimliliği açısından iyi bir alternatif olduğunu göstermektedir.
Özet (Çeviri)
Alzheimer Disease (AD) is a neurodegenerative disease and the most common type of dementia. It is a progressive and irreversible disease that characterized by symptoms such as loss of cognitive functionality, difficulty in daily activities and memory deficit. Although there is no definitive treatment for Alzheimer Disease, early diagnosis of the disease is important for effective treatment and management of the disease. Electroencephalography (EEG) is one of the most commonly preferred clinical tools to investigate the effects of Alzheimer Disease on the brain. Trying to detect Alzheimer's disease by training EEG data with Convolutional Neural Network (CNN) architectures, one of the deep learning architectures is one of the research areas that has been intensively studied recently. In this thesis study, early diagnosis of the disease is aimed by classifying the EEG data of Alzheimer's patients and control volunteers using deep learning architectures and time-frequency approaches. For this purpose, EEG signals from 15 patients diagnosed with early-stage Alzheimer's disease through diagnostic tests and 11 healthy control volunteers were analyzed. Spectrogram images of EEG segments were obtained with Short Time Fourier Transform (STFT) and scalogram images with Continuous Wavelet Transform (CWT), Bump, Amor and Morse wavelets, and these images were trained with ResNet18, Modified ResNet18_1, Modified ResNet18_2, GoogleNet, AlexNet and DarkNet Convolutional Neural Network (CNN) architectures and the results obtained were evaluated. When the results of all architectures are evaluated on a channel based and brain region based, it is seen that the highest performance rates are obtained with the CWT Bump time-frequency approach from the P4 channel located in the posterior region of the brain. Classification achievements of 88.11% and 80.64% were achieved in order for ResNet18, which has the highest validation and test accuracy (ACC) results, and for Modified ResNet18_2, which features fewer layers and lower filter sizes derived from the modification of the ResNet18 architecture, and exhibits the fastest and most balanced performance. For the channel-based evaluation of the two architectures, validation accuracy (ACC) values of 96.90% and 93.70% were recorded from the P4 channels, respectively. Although the modified ResNet18_2 architecture has a little lower ACC value compared to the classical ResNet18, when looking at the training progress results, it is seen that it shows a balanced and robust performance and it does not show overfitting. Additionally, the proposed architecture completed the training process much faster than other models, thereby achieving important time savings. These results show that the Modified ResNet18_2 architecture is a good alternative in terms of accuracy and training efficiency in detecting Alzheimer's disease.
Benzer Tezler
- Motor imgeleme eeg sinyallerinin zaman-frekans spektrogramı temelli sınıflandırma yöntemlerinin incelenmesi ve karşılaştırılması
Examination and comparison of time-frequency spectrogram-based classification methods for motor imagery eeg signals
MEHMET GÜROCAK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- Yüz nakil olgularında emosyonel ifadelerin EEG tabanlı analizi
EEG-based analysis of emotional expressions in face transplant cases
İNCİ BİLGE
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. ÖMER HALİL ÇOLAK
- Uyku apnesinin mikroyapı analizi
Microstructure analysis of sleep apnea
ONUR KOÇAK
Doktora
Türkçe
2014
BiyomühendislikAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZİYA TELATAR
- Derin öğrenme tabanlı epileptik nöbet teşhisi
Deep learning based epileptic seizure diagnosis
MUHAMMET VARLI
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN YILMAZ
- Durağan olmayan sinyallerin senkro sıkıştırma ve görgül kip ayrışım yöntemleri ile analizi
Analysis of non-stationary signals by synchrosqueezing and empirical mode decomposition methods
ALİ KARACA
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT ÖZTÜRK
PROF. DR. AYDIN AKAN