Yapay zekâ algoritmaları ile göz hareket verilerinden Parkinson hastalığının erken evre tespiti ve derecelendirilmesi
Early detection and severity evaluation of Parkinson's disease from eye movement data with the artificial intelligence algorithms
- Tez No: 934094
- Danışmanlar: PROF. DR. OĞUZHAN ERDEM, DOÇ. DR. SEZER ULUKAYA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Nöroloji, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Trakya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
İnsanoğlu görme duyusuna diğer duyulardan daha çok bağımlıdır. Bu tez çalışması, Parkinson hastalığının (PH) erken teşhisi ve evre derecelendirilmesinde yardımcı olacak bir sistem geliştirmeyi amaçlamaktadır. Göz ve görme ile ilgili problemler hastalığın temel belirtilerinin belirleşmesinden çok daha önce görülmeye başlamaktadır. Ancak bu alanda açık erişimli veri kümesinin olmaması yeni yöntem ve yaklaşım geliştirilebilmesini kısıtlamaktadır. Bu çalışmada, Videonistagmografi (VNG) sistemi kullanılarak PH ve sağlıklı bireylerin sakkadik ve pursuit göz hareketleri üzerindeki sinyalleri incelenmiş, bu veriler makine öğrenimi ve derin öğrenme teknikleriyle analiz edilmiştir. Bu kapsamda hem geleneksel yöntemlerle sinyallere ait spektral, fraktal, istatistiksel ve zamansal öznitelikler çıkarılmış hem de derin öğrenme mimarilerinden elde edilen derin öznitelikler kullanılmıştır. Destek Vektör Makineleri (DVM), Naive Bayes (NB), k-en Yakın Komşu (k-EYK), Kuadratik Diskriminant Analiz (KDA) gibi makine öğrenimi sınıflandırıcılarının göz hareketlerinden hastalığı tespit etme ve evre tayini gibi karmaşık sınıflandırma görevlerindeki başarıları incelenmiştir. Çalışmada yapılan filtreleme ve sarıcı öznitelik seçimi uygulamalarının birlikte kullanıldığı iki aşamalı bir öznitelik seçim yöntemi uygulanmış ve gereksiz özniteliklerin elenmesinin modelin sınıflandırma başarısını yükselttiği belirlenmiştir. Ayrıca, uzun-kısa vadeli bellek, konvolüsyonel sinir ağı ve çeşitli transfer öğrenme mimarileriyle yapılan değerlendirmeler, hastalığın tanısında derin öğrenme tabanlı yaklaşımların da etkinliğini ortaya koymuştur. Sakkadik göz hareketlerinin hastalığın erken evre tespitinde, pursuit hareketlerin ise hastalığın ilerleyişinin izlenmesinde daha yüksek başarı gösterdiği gözlemlenmiştir. Makine öğrenimi uygulamasında her iki göz hareketinde %91-%95 arası doğruluk elde eden DVM algoritması ön plana çıkarken, derin öğrenme uygulamalarında ise %72,73 ile uzun-kısa vadeli bellek daha başarılı bir performans sergilemiştir. Ayrıca sinyallerin görüntü temsilleri ile yapılan uygulamalarda en yüksek başarı %79,55 doğrulukla GoogLeNet ile elde edilmiştir. Göz hareketlerinin analizine dayalı bu sistem, aynı zamanda nörolojik hastalıkların takibi ve tedavi süreçlerinin izlenmesinde objektif, kolay uygulanabilir ve verimli bir yöntem olarak önemli bir potansiyele sahiptir.
Özet (Çeviri)
Human beings are more dependent on the sense of sight than other senses. This thesis aims to develop a system that will help in the early diagnosis and stage grading of Parkinson's disease (PD). Oculo-visual dysfunctions begin to be seen much earlier than the basic symptoms of the disease. However, the lack of an open access dataset in this field restricts the development of new methods and approaches. In this study, the signals on saccadic and pursuit eye movements of PD and healthy individuals were examined using the Videonystagmography (VNG) system, and these data were analyzed with machine and deep learning techniques. In this context, both spectral, fractal, statistical and temporal features of the signals were extracted with traditional methods and deep features from deep learning architectures were utilized. The performance of machine learning classifiers, such as Support Vector Machines (SVM), Naive Bayes (NB), k-Nearest Neighbors (k-NN), and Quadratic Discriminant Analysis (QDA) in complex classification tasks such as disease detection from eye movements and stage determination has been investigated. A two-stage feature selection method was applied, combining filtering and wrapper-based feature selection techniques, and it was determined that eliminating unnecessary features increased the classification performance of the model. Furthermore, evaluations with Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN), and various transfer learning architectures demonstrated the effectiveness of deep learning-based approaches in disease diagnosis. It was observed that saccadic eye movements showed higher success in the early-stage detection of the disease while pursuit movements were more effective in tracking disease progression. While the SVM algorithm come to the forefront in both eye movements in machine learning applications with the 91%-95% accuracy, long-short term memory showed a more successful performance with 72.73% in deep learning applications. Additionally, the hieghest success, with an accuracy rate of 79.55%, was achieved with GoogLeNet in applications with image representations of signals. This system based on eye movement analysis also has significant potential as an objective, easy-to-apply and efficient method in monitoring neurological diseases and treatment processes.
Benzer Tezler
- COLREGs-compliant and non-prioritized motion planning for autonomous unmanned surface vehicles
Otonom insansız deniz araçları için COLREG-uyumlu ve önceliksiz hareket planlaması
MUSTAFA BAYRAK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Medeniyet ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALUK BAYRAM
- Development of a modular and open-sourcetomographic imaging software : enhancingthe reconstruction module for low-dose CT and dbt
Modüler ve açık kaynak kodlu tomografik görüntülemeyazılımı: düşük doz BT ve SMT taramaları içinrekonstrüksiyon alt modülünün geliştirilmesi
SEMA ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Design of a wearable sensor system for artificial intelligence based motion analysis in telerehabilitation
Telerehabilitasyon amaçlı yapay zekâ tabanlı hareket analizi içingiyilebilir sensör sistemi tasarımı
AHMED ABDELWAHAB MAHGOUB HAKIM
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÖLEN KUMBAY YILDIZ
PROF. DR. ATİLA YILMAZ
- Improved trajectory tracking via multi obstacle avoidance utilizing nonlinear model predictive controller
Doğrusal olmayan model öngörülü kontrol kullanılarak çoklu engellerden kaçınma ile geliştirilmiş yörünge takibi
ÖNDER HOROZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ
- A support decision system for predicting rating values of preproduction TV content: An explainable machine learning approach
Yayınlanmamış TV içeriğinin reyting değerinin tahmin edilebilmesi için karar destek sistemi: Bir açıklanabilir makine öğrenimi yaklaşımı
BURAK BATIBAY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN