Derin öğrenme algoritmasıyla obsesif kompulsif bozukluk için ayırt edici biyobelirteç tespiti
Detecting discriminative biomarkers for obsessive compulsive disorder using deep learning algorithms
- Tez No: 944876
- Danışmanlar: PROF. DR. TÜRKER TEKİN ERGÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Biyoloji, Psikiyatri, Bilim ve Teknoloji, Biology, Psychiatry, Science and Technology
- Anahtar Kelimeler: Obsesif kompulsif bozukluk, Derin öğrenme, Yapay sinir ağları, Elektroensefalografi, Biyobelirteç, Obsessif kompülsif bozukluk, Obsessive-compulsive disorder, Deep learning, Artificial neural networks, Electroencephalography, Biomarker, Obsessive compulsive disorder
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Nörobilim Ana Bilim Dalı
- Bilim Dalı: Nörobilim Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, Obsesif Kompulsif Bozukluk (OKB) tanılı bireylerin ve sağlıklı bireylerin elektroensefalografi (EEG) verileri kullanılarak derin öğrenme yöntemleri aracılığı ile OKB için ayırt edici biyobelirteçlerin belirlenmesi amaçlanmıştır. Bu doğrultuda, OKB'nin nesnel tanılama süreçlerine yapay zeka destekli yaklaşımlarla katkı sağlanması hedeflenmiştir. Araştırmada, OKB tanısı konmuş bireyler ile sağlıklı bireylerden elde edilen EEG sinyalleri kullanılmış; bu veriler üzerinde derin öğrenme algoritmaları uygulanmıştır. Bu kapsamda, Bir Boyutlu Konvolüsyonel Sinir Ağı- Kapılı Tekrarlayan Birim (1DCNN-GRU) ve Bir Boyutlu Konvolüsyonel Sinir Ağı- Transformer Encoder (1DCNN-TE) mimarileri geliştirilmiş ve bu modellerle EEG verileri sınıflandırılmıştır. Sınıflandırma raporlarına göre, 1DCNN-TE modeli, 1DCNN-GRU modeline kıyasla daha yüksek performans sergileyerek, doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerde üstünlük göstermektedir. 1DCNN-TE modelinde, yanlış negatifler (11) ve yanlış pozitifler (1) düşük seviyelerde kalırken, 1DCNN-GRU modelinde bu değerler sırasıyla 30 ve 95'tir. Ayrıca, 1DCNN-TE modelinin eğitim ve test doğruluğu %95'in üzerinde iken, 1DCNN-GRU modelinde doğruluk %90'nın üzerine ulaşmıştır. Eğitim ve test kayıpları her iki modelde de azalma eğilimindeyken, 1DCNN-TE modelinde test kaybındaki dalgalanmalar daha belirgin olmuştur. Elde edilen bulgular, her iki modelin de OKB'yi yüksek doğruluk oranlarıyla sınıflandırabildiğini ve EEG sinyalleri üzerinden ayırt edici özellikleri başarılı şekilde öğrenebildiğini göstermiştir. Ancak test verilerinde gözlemlenen dalgalanmalar veya kontrol grubu tespitindeki hatalar, modellerin genellenebilirliği ve yeni veriler üzerindeki güvenilirliği açısından sınırlılıklara işaret etmiştir. Bu çalışma, derin öğrenme tabanlı modellerin psikiyatrik tanılarda kullanımı açısından yenilikçi bir yaklaşım sunmuş ve OKB'nin biyobelirteç temelli tanılanmasında EEG'nin potansiyelini vurgulamıştır.
Özet (Çeviri)
This study aims to identify distinctive biomarkers for Obsessive-Compulsive Disorder (OCD) using deep learning methods applied to electroencephalography (EEG) data obtained from individuals diagnosed with OCD and healthy controls. In this context, it is intended to contribute to the objective diagnostic processes of OCD through artificial intelligence-supported approaches. EEG signals from individuals with OCD and healthy controls were used in the study, and deep learning algorithms were applied to this data. In this scope, two architectures were developed: One-Dimensional Convolutional Neural Network with Gated Recurrent Unit (1DCNN-GRU) and One-Dimensional Convolutional Neural Network with Transformer Encoder (1DCNN-TE), and EEG data were classified using these models. According to the classification reports, the 1DCNN-TE model outperformed the 1DCNN-GRU model in terms of accuracy, precision, recall, and F1 score. In the 1DCNN-TE model, the number of false negatives (11) and false positives (1) remained at low levels, whereas these values were 30 and 95, respectively, in the 1DCNN-GRU model. Furthermore, while the accuracy of the 1DCNN-TE model exceeded 95% in both training and testing, the 1DCNN-GRU model reached an accuracy level of over 90%. Although both models showed a decreasing trend in training and test loss, the 1DCNN-TE model exhibited more pronounced fluctuations in test loss. The findings indicate that both models can classify OCD with high accuracy and effectively learn distinctive features from EEG signals. However, the fluctuations observed in test data and misclassifications within the control group point to limitations in the generalizability and reliability of the models on new data. This study presents an innovative approach to the use of deep learning-based models in psychiatric diagnoses and highlights the potential of EEG in biomarker-based diagnosis of OCD.
Benzer Tezler
- Türkiye'de aile planlaması çalışmalarında erkeklerin önemi, hastane personeli ile fabrika işçilerinin doğum kontrol yöntemlerine karşı tutum ve davranranışlarında farklılığın araştırılması
Başlık çevirisi yok
KAMİL MALKOÇLU
Yüksek Lisans
Türkçe
1987
Demografiİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. DERİN KÖSEBAY
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. KERİM DURAN
- Ön işlemenin ve askorbik asitin dondurularak depolanan yılan balıklarının (Anguilla anguilla) kalitesine etkileri
Başlık çevirisi yok
H.VOLKAN GÖKSEL
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiSu Ürünleri Ana Bilim Dalı
DOÇ. DR. AYDIN URAL
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ