Geri Dön

Derin öğrenme algoritmasıyla obsesif kompulsif bozukluk için ayırt edici biyobelirteç tespiti

Detecting discriminative biomarkers for obsessive compulsive disorder using deep learning algorithms

PDF İndir

  1. Tez No: 944876
  2. Yazar: GÜNEŞ NAZİK
  3. Danışmanlar: PROF. DR. TÜRKER TEKİN ERGÜZEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Biyoloji, Psikiyatri, Science and Technology, Biology, Psychiatry
  6. Anahtar Kelimeler: Obsesif kompulsif bozukluk, Derin öğrenme, Yapay sinir ağları, Elektroensefalografi, Biyobelirteç, Obsessive-compulsive disorder, Deep learning, Artificial neural networks, Electroencephalography, Biomarker
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Üsküdar Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Nörobilim Ana Bilim Dalı
  12. Bilim Dalı: Nörobilim Bilim Dalı
  13. Sayfa Sayısı: 41

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

  1. Tez No

    938211

    Derin öğrenme yöntemi kullanılarak geliştirilen yapay zeka uygulamaları aracılığıyla diagnostik doğruluğun tespiti

    Determination of diagnostic accuracy through artificial intelligence applications developed using deep learning method

    KADER BİÇENGİL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2025

    Diş HekimliğiRecep Tayyip Erdoğan Üniversitesi

    Çocuk Diş Hekimliği Ana Bilim Dalı

    DOÇ. DR. DOÇ.DR.AYÇA KURT

  2. Tez No

    934336

    Derin öğrenme uygulaması destekli pekiştirmeli öğrenme algoritması ile beyin kanserileri tanı ve sınıflandırılmasında arayüz oluşturulması

    Development of interface for the diagnosis and classification of brain cancers with reinforcement learning algorithm supported by deep learning application

    SEDA ARIKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriAkdeniz Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM SARAÇ

    DOÇ. DR. YİĞİT ALİ ÜNCÜ

  3. Tez No

    823892

    The Turkish lip reading using deep learning method

    Derin öğrenme yöntemi ile Türkçe dudak okuma

    ALİ BERKOL

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMİT ERDEM

  4. Tez No

    855436

    Kuantum hesaplama kullanan derin öğrenme ile karşılıklı görüşmelerde duygu analizi

    Sentiment analysis in conversations with deep learning using quantum computing

    SEDEF AKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KARAKÖSE

  5. Tez No

    759658

    Otomatik üretim teknolojisine ait betonların basınç dayanımlarının makine öğrenmesi ve derin öğrenme yöntemleri ile tahmin edilmesi

    Estimating the compressive strength of concrete with automatic production tecknology by machine learning and deep learning

    HÜSEYİN KAYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NİHAN KAZAK ÇERÇEVİK

    DR. ÖĞR. ÜYESİ ALİ ERDEM ÇERÇEVİK

Geri Dön