Derin Öğrenme Yöntemi kullanarak psikiyatri kliniğinde şiddet ve intihar girişimi davranışlarının tespiti
Detection of violence and suicide attempt behaviors in psychiatry clinic using Deep Learning Method
- Tez No: 931161
- Danışmanlar: PROF. DR. AYŞE OKANLI
- Tez Türü: Doktora
- Konular: Hemşirelik, Psikiyatri, Nursing, Psychiatry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Medeniyet Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Psikiyatri Hemşireliği Ana Bilim Dalı
- Bilim Dalı: Psikiyatri Hemşireliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Bu araştırmanın amacı psikiyatri yataklı servisinde intihar ve şiddet davranışlarının derin öğrenme yöntemi kullanarak tespitini sağlamaktır. Araştırma Göztepe Prof. Dr. Süleyman Yalçın Şehir Hastanesi Erişkin Erkek Psikiyatri Kliniğinde Mayıs-Temmuz 2024 tarihleri arasında yürütülmüştür. Araştırma https://clinicaltrials.gov/ adresine kayıt edilmiştir (ClinicalTrials.gov Identifier: NCT06421480). Araştırma kapsamında şiddet, şiddetsizlik ve intihar girişimi olmak üzere üç sınıf tanımlanmıştır. Şiddet ve şiddetsizlik sınıflarına ait eğitim verileri için Life Violence Situations Dataset kullanılırken, ası yoluyla intihar girişimi verileri özel olarak oluşturulmuştur. Üç sınıfa ait test verisi için ise özgün bir veri seti oluşturulmuştur. Görüntüler, dokuz oyuncu yardımıyla kamera kaydı yöntemiyle toplanmış; OpenPose algoritması kullanılarak açı ve pozisyon değişiklikleri hesaplanmıştır. Bu özellikler, azimutal yer değiştirme yönteminin uygulanmasıyla elde edilerek LSTM (Uzun Kısa Dönem Hafızası) ağına girdi olarak sunulmuştur. Doğruluk oranı %95 olan modelin gerçek zamanlı uyarı mekanizması, Telegram ve bilgisayar ekranı üzerinden“violence detected”veya“suicide attempt detected”mesajlarını iletecek şekilde tasarlanmıştır. Gerçek zamanlı değerlendirme aşamasında 4 tiyatro/drama oyuncusunun yardımı alınmıştır. Oyuncular gece ve gündüz sürelerince üç sınıfa ait tüm eylemleri gerçekleştirmiş ve kamera kaydı yapılmıştır. Kaydedilen görüntüler üzerinden üç sağlık çalışanının görüşü alınarak meydana gelen her şiddet ve intihar eyleminin başlangıç ve bitiş zamanlarını ortak bir değerlendirmeyle yazması istenmiştir. Modelin çalışması bittiğinde oluşan log dosyası sağlık çalışanlarının belirttiği başlangıç ve bitiş süreleriyle kıyaslanarak hem gerçek zamanlı etkinliği hem de insan gözüyle kıyaslandığında ki etkinliği değerlendirilmiştir. Gece çekimlerinde model 51 uyarı vermiş; bunların üçü gerçekte şiddet içermemesine rağmen“şiddet”şeklinde etiketlenmiştir. Yüze yastık kapama ve tekme atma davranışlarında uyarı vermesi gerekirken, vermemiştir. Gündüz çekimlerinde 122 uyarı alınmış, model gerçekleşen her şiddet eylemi için uyarı vermiştir. Şiddetsiz eylemlerde 37 yanlış şiddet uyarısı gözlenmiştir. Bu değerlendirme sonucunda gece ve gündüz sürelerince hemen hemen tüm şiddet ve intihar girişimi eylemlerinin tespit edildiği sonucuna varılmıştır.
Özet (Çeviri)
The purpose of this study is to detect suicidal and violent behaviors in an inpatient psychiatric setting using a deep learning approach. The research was conducted between May and July 2024 at the Adult Male Psychiatry Clinic of Göztepe Prof. Dr. Süleyman Yalçın City Hospital and registered at https://clinicaltrials.gov (ClinicalTrials.gov Identifier: NCT06421480). Within the scope of the study, three classes were defined: violence, non-violence, and attempted suicide. While the Life Violence Situations Dataset was employed for training data concerning violence and non-violence, an additional dataset for attempted suicide by hanging was specifically created. An original dataset was then constructed for testing across all three classes.Video data were collected using camera recordings of nine actors, after which angle and position changes were computed via the OpenPose algorithm. The resulting features, obtained by applying azimuthal displacement, were subsequently fed into an LSTM (Long Short-Term Memory) network. The model achieved an accuracy rate of 95% and was equipped with a real-time alert mechanism that provides“violence detected”or“suicide attempt detected”notifications via Telegram and computer screens.During the real-time evaluation phase, four theater/drama actors performed all three classes of actions (violence, non-violence, and attempted suicide) both day and night, while their behaviors were recorded. Three healthcare professionals then reviewed these recordings and jointly determined the start and end times of each violent and suicidal act. Upon completion, the model's log file was compared against these reference times to evaluate both real-time performance and agreement with human observation. During nighttime recordings, the model issued 51 alerts, with three falsely labeled as violence, and failed to detect covering the face with a pillow and kicking behaviors. In daytime recordings, 122 alerts were generated, capturing all actual violent incidents but mistakenly labeling 37 non-violent acts as violent. Based on this assessment, it was concluded that nearly all violent and suicidal behaviors were successfully detected in both daytime and nighttime sessions.
Benzer Tezler
- Analysis of multichannel EEG signals for the detection of major depressive disorder
Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi
ELİF İZCİ
Yüksek Lisans
İngilizce
2021
Mühendislik Bilimleriİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. AYDIN AKAN
DR. ONAN GÜREN
- Behavioral and genetic evaluation of the effect of prenatal stress on functional cerebral asymmetries in rats
Ratlarda prenatal stresin fonksiyonel serebral asimetri üzerindeki etkisinin davranişsal ve genetik açidan değerlendirilmesi
SEVİM ISPARTA
Doktora
İngilizce
2023
Veteriner HekimliğiAnkara ÜniversitesiGenetik Ana Bilim Dalı
DOÇ. DR. BENGİ ÇINAR KUL
PROF. DR. ONUR GÜNTÜRKÜN
- Derin öğrenme algoritmalarına dayalı travma sonrası stres bozukluğunun tahmini
Prediction of post-traumatic stress disorder based on deeplearning algorithms
PARISA EBRAHIMPOUR MOGHADDAM TASOUJ
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL
PROF. DR. OSMAN EROĞUL
- Emotion recognition process analysis by using eye tracker, sensor and application log data
Göz izleme cihazı, sensör ve uygulama verileri ile insanlarda duygu tanıma analizi
MAHİYE ÖZTÜRK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Attention deficit hyperactivity disorder prediction using EEG signals and deep learning models
YAĞMUR CAN
Yüksek Lisans
Türkçe
2024
BiyomühendislikTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL