Makine öğrenmesi tabanlı algoritmalar kullanılarak nörodejeneratif hastalıkların tespiti
Detection of neurodegenerative diseases using machine learning-based algorithms
- Tez No: 945736
- Danışmanlar: DOÇ. DR. ABDULNASIR YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Makine Öğrenmesi, Maksimum Örtüşmeli Ayrık Dalgacık Dönüşümü, Nörodejeneratif Hastalıklar, Varyasyonel Kip Ayrıştırma, Yerel İkili Örüntü, Machine Learning, Maximum Overlap Discrete Wavelet Transform, Neurodegenerative Diseases, Local Binary Pattern, Variational Mode Decomposition
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 109
Özet
Nörodejeneratif hastalıklar sinir hücrelerinin ölümü veya bu hücrelerin zamanla yapısı ve işlevinin bozulması ile tanımlı bir hastalık gurubudur. Parkinson hastalığı, Amiyotrofik Lateral Skleroz ve Huntington hastalığı en yaygın Nörodejeneratif hastalıklardandır. Nörodejeneratif hastalıklar için kesin bir tedavi yöntemi bulunmamaktadır. Ancak, hastalığın ilerlemesini yavaşlatarak hastanın daha kaliteli yaşam sürmesine olanak sağlayan bazı tedavi yöntemleri mevcuttur. Bu açıdan Nörodejeneratif hastalıkların erken tanısı büyük önem arz etmektedir. Nörodejeneratif hastalıkların en sık görülen ve en erken belirtilerinin başında yürüme bozuklukları gelmektedir. Bu nedenle mevcut tez çalışmasında ayak tabanlarına giyilebilen sensörler aracılığıyla elde edilen ve yer tepki kuvvet vektörü (YTKV) olarak adlandırılan yürüme sinyallerini kullanarak Nörodejeneratif hastalıkların tespitini yapan üç farklı örüntü sınıflandırma modeli önerilmiştir. Bu amaçla Nörodejeneratif hastalıklar ve sağlıklı deneklerin YTKV sinyallerinden oluşan açık erişimli bir veri seti kullanılmıştır. Kullanılan veri seti Amiyotrofik Lateral Skleroz, Parkinson hastaları, Huntington hastaları ve kontrol denekleri olmak üzere dört farklı sınıftan oluşmaktadır. Bu dört sınıfın tespiti için maksimum örtüşmeli ayrık dalgacık dönüşümü, varyasyonel kip ayrıştırması ve sürekli dalgacık dönüşümü isimli üç farklı zaman-frekans analiz yöntemi kullanılmıştır. İlk yaklaşımda maksimum örtüşme ayrık dalgacık dönüşümü (MÖADD) kullanılarak YTKV sinyalleri beşinci seviyeden alt bantlarına ayrıştırıldı. Daha sonra bu alt bantların istatistiksel ve spektral özellikleri çıkarılarak 57 özellikten oluşan bir özellik kümesi oluşturuldu. İkinci yaklaşımda ise varyasyonel kip ayrıştırma (VKA) isimli veriye uyarlamalı özellik çıkarma yöntemi ile YTKV sinyalleri beş adet içsel mod fonksiyonuna (İMF) ayrıştırıldı. Elde edilen bu beş adet İMF sinyalinin de istatistiksel ve spektral özellikleri çıkarılarak 45 özellikten oluşan ikinci bir özellik kümesi elde edildi. Üçüncü yaklaşımda ise sürekli dalgacık dönüşümü (SDD) alınarak, görüntüye dönüştürülen yürüme sinyallerine daha sonra yerel ikili örüntü (YİÖ) isimli doku operatörü uygulanarak 23 adet özelikten oluşan üçüncü bir özellik kümesi daha oluşturuldu. Elde edilen özellik kümeleri KNN ve DVM sınıflandırıcıları ile ayrı, ayrı sınıflandırılarak, her bir özellik kümesi için maksimum %96.8'lik bir başarım performansı sağlanmıştır. Daha sonra veri setinin boyutunu azaltarak zaman ve bellek tasarrufu sağlamak için komşu bileşen analizi (KBA) isimli özellik seçme algoritması kullanılarak, her üç yaklaşım için ayrı, ayrı özellik seçme işlemi gerçekleştirildi. %60 eğitim ve %40 test verisi olacak şekilde özellik vektörleri ayrıştırılıp, eğitim verileri KBA tarafında kullanılarak en iyi özellikleri belirlendi. Daha sonra, belirlenen en iyi özellikler kullanılarak, %40'lık test verileri ile her bir model yine DVM ve KNN ile test edildi. Test verileri ile yapılan sınıflandırmada sağ ayak ve Sağ+sol ayak için DVM ve KNN ile yapılan sınıflandırmada %100'lük performans kaydedilmiştir. Fakat sol ayak için KNN ile yapılan tasnifte %96'lık bir performans sağlanırken, DVM ile yapılan tasnifte ise %100'lük bir performans sağlanmıştır. Elde edilen performans sonuçları, kullanılan özellik çıkarım yöntemlerinin, yürüme bozukluklarına ilişkin kayıtlardan nörodejeneratif hastalıkların tespitini başarılı bir şekilde yapabildiğini göstermiştir.
Özet (Çeviri)
Neurodegenerative diseases are characterized by the death of nerve cells or the deterioration of their structure and function over time. Parkinson's disease, Amyotrophic lateral sclerosis (ALS), and Huntington disease are the most common neurodegenerative diseases. There is no definitive treatment for neurodegenerative diseases. However, there are some treatment methods that slow down the progression of the disease and allow the patient to lead a better quality of life. Early diagnosis of neurodegenerative diseases is of great importance in this respect. One of the earliest and most common symptoms of these diseases is gait disorders. For this reason, this thesis proposes three different pattern classification models to detect neurodegenerative diseases using vertical ground reaction force (VGRF) gait signals obtained through sensors worn on the soles of the feet. For this purpose, an open access dataset of VGRF signals from neurodegenerative diseases and healthy subjects was used. The dataset consists of four different classes: amyotrophic lateral sclerosis (ALS), Parkinson's disease, Huntington's disease, and control subjects. Three different time-frequency analysis methods, namely maximum overlap discrete wavelet transform, variational mode decomposition and continuous wavelet transform, were used to detect these four classes. In the first approach, the VGRF signals were decomposed into fifth-order sub-bands using the maximum overlap discrete wavelet transform (MODWT). The statistical and spectral features of these sub-bands were then extracted to create a feature set of 57 features. The second approach used variational mode decomposition (VMD), a data-adaptive feature extraction method, to decompose the VGRF signals into five intrinsic mode functions (IMF). Statistical and spectral features were extracted from these five IMF signals, resulting in a second feature set of 45 features. The third approach involved creating a third feature set consisting of 23 features. This was done by applying a texture operator called the local binary pattern (LBP) to gait signals transformed into images using the continuous wavelet transform (CWT). KNN and SVM classifiers classified the resulting feature sets separately, achieving a maximum performance of 96.8% for each feature set. Then, to reduce the size of the dataset and save time and memory, the neighbor component analysis (NCA) feature selection algorithm was used to select features for each of the three approaches separately. The feature vectors were divided into 60% training data and 40% test data. The best features were then determined using the training data on the KBA side. Then, the best features identified in the previous step were used to test each model with SVM and KNN using 40% of the test data. For the right foot and right+left foot, 100% performance was recorded in the classification with the test data using SVM and KNN. For the left foot, however, the KNN classification achieved a performance of 96%, while the SVM classification achieved 100%. The performance results demonstrate that the feature extraction methods can accurately detect neurodegenerative diseases based on gait disturbance recordings.
Benzer Tezler
- Nörodejeneratif hastalıkların entropi tabanlı öznitelikler kullanılarak makine öğrenmesi yöntemleriyle sınıflandırılması
Classification of neurodegenerative diseases by machine learning methods using entropy based features
DİLARA ARAPOĞLU
Yüksek Lisans
Türkçe
2023
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ERSOY ÖZ
- Derin öğrenme teknikleri ile beyin tümörü tespiti ve sınıflandırılması
Brain tumor detection and classification with deep learning techniques
CANAN SOYOĞUL
Yüksek Lisans
Türkçe
2025
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MURTAZA ÖZGÜR YENİAY
DR. ÖĞR. ÜYESİ ÖZNUR ÖZALTIN
- Parkinson hastalarının dikkat fonksiyonlarına ait beyin aktivasyonlarının fonksiyonel MRG ile incelenmesi ve evrişimsel sinir ağları ile sınıflandırılması
Analysis of the brain activations of attention functions of Parkinson patients with functional MRI and classification with conventional neural networks
NUR YILMAZ
Yüksek Lisans
Türkçe
2022
BiyomühendislikSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- Derin öğrenme yöntemleri ile beyin görüntülerinden nörolojik bozuklukların sınıflandırılması
Classification of neurological disorders from brain images using deep learning methods
MUHAMMET KUSEY DAHER
Yüksek Lisans
Türkçe
2025
NörolojiMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ACI
- Evrişimsel sinir ağları ile cilt hastalık görüntülerinin sınıflandırılmasında transfer öğrenme yönteminin etkinliğinin araştırılması
Investigation of the efficiency of transfer learning method in classification of skin disease images by convolutional neural networks
AYHAN SARI
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA AYDIN
DR. ÖĞR. ÜYESİ ALİ NİZAM