Research on the development of an artificial intelligence based expert system for the detection of schizophrenia from eeg data
Şizofreni hastalığının eeg verilerinden tespiti için yapay zeka tabanlı bir uzman sistem geliştirilmesinin araştırılması
- Tez No: 960920
- Danışmanlar: DOÇ. DR. İSMAİL CANTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Şizofreni (ŞZ), bilişsel ve sosyal işlevleri bozan, sıklıkla algı bozuklukları ve sanrılar gibi psikotik deneyimlerle karakterize edilen bir psikolojik bozukluktur. Yapay Zeka (YZ) tabanlı yöntemler, ŞZ'nin erken tanısında sağlık uzmanlarına yardımcı olmak amacıyla giderek daha fazla kullanılmaktadır. Bu çalışma, EEG verileri kullanılarak YZ modellerinin ŞZ'yi ayırt etme başarısını değerlendirmektedir. Çalışmada, 11'i ŞZ tanılı ve 20'si sağlıklı olmak üzere toplam 31 katılımcıdan elde edilen EEG kayıtları kullanılmıştır. Üç farklı öznitelik çıkarım yöntemi—Streamline Feature Extraction (SFE), Automatic EEG Signal Preprocessing and Feature Extraction Toolbox (AutoEEGT) ve EEG Feature Extraction Toolbox (EFETB)—uygulanmış, ayrıca AlexNet, DenseNet-201 ve ResNet-50 gibi derin öğrenme mimarilerinden elde edilen öznitelikler de analiz edilmiştir. Gürültüyü azaltmak amacıyla EEG sinyallerine 0.5–45 Hz bant geçiren filtre uygulanmış ve hem filtrelenmiş hem de ham veriler analiz edilmiştir. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) kullanılarak sınıflar arası dengesizlik giderilmiştir. Farklı öznitelik seçme yöntemleri test edilmiş ve model performansı, SVM, RF, NB, LR, KNN ve DT gibi çeşitli sınıflandırıcılar kullanılarak Leave-One-Out Cross Validation (LOOCV) ile değerlendirilmiştir. Değerlendirme metrikleri arasında doğruluk, kesinlik, duyarlılık ve F1 skoru yer almıştır. Geleneksel öznitelik çıkarımında en iyi sonuç, SFE, SMOTE ve LASSO öznitelik seçimiyle SVM sınıflandırıcısı kullanılarak %75 doğruluk ile elde edilmiştir. Derin öğrenme tabanlı özniteliklerde ise AlexNet ve KNN kombinasyonu %81 doğrulukla en yüksek performansı göstermiştir. Filtrelemenin etkisi kullanılan öznitelik çıkarım yöntemine göre değişmiş, SMOTE ve öznitelik seçiminin katkısı ise model ve yönteme bağlı olarak sınırlı ancak yer yer anlamlı olmuştur. Bu çalışma, EEG tabanlı ŞZ tanısında öznitelik çıkarımı, veri dengesi ve öznitelik seçimi yöntemlerini karşılaştırmalı olarak analiz ederek, daha büyük ve dengeli veri kümeleriyle yapılacak gelecekteki çalışmalar için temel sağlamaktadır.
Özet (Çeviri)
Schizophrenia (SZ) is a psychological disorder that impairs cognitive and social functioning, often marked by psychotic experiences such as perceptual distortions and delusions. Artificial Intelligence (AI)-based methods have become popular in the early detection of SZ. This study evaluates the effectiveness of AI models in distinguishing SZ from 31 subjects—11 diagnosed with SZ and 20 healthy controls using EEG data. Three feature extraction methods—Streamline Feature Extraction (SFE), Automatic EEG Signal Preprocessing and Feature Extraction Toolbox (AutoEEGT), and EEG Feature Extraction Toolbox (EFETB)—were applied, along with deep learning-based features from AlexNet, DenseNet-201, and ResNet-50. EEG signals were filtered using a band-pass filter to reduce noise, and both raw and filtered signals were analyzed. Synthetic Minority Over-sampling Technique (SMOTE) was utilized to mitigate class imbalance. Various feature selection techniques were tested, and model performance was evaluated using Leave-One-Out Cross Validation (LOOCV) across multiple classifiers, including SVM, RF, NB, LR, KNN, and DT. To assess model performance, evaluation metrics such as accuracy, precision, recall, and F1-score were employed. The best result from traditional feature extraction was achieved using SFE, SMOTE, and LASSO feature selection with SVM, yielding 75% accuracy. Among deep learning-based features, the combination of AlexNet and KNN reached the highest accuracy at 81%. The impact of filtering varied across feature extraction methods, and the contribution of SMOTE and feature selection techniques depended on the specific model and approach. This research provides a comparative analysis of feature extraction, data balancing, and feature selection methods in EEG-based SZ diagnosis and highlights the potential of AI tools for improved mental health assessment with future larger-scale datasets.
Benzer Tezler
- Mağusa-Surlar içi Mahallesi evlerinin tipolojik analizine bağlı olarak geliştirilen bir uzman sistem modeli
Başlık çevirisi yok
ULAŞ DAĞLI
- Digital maturity measurement based on the stages of digital business transformation a study in the automotive sales and aftersales sector
Dijital dönüşümün aşamalarına dayalı dijital olgunluk ölçümü otomotiv satış ve satış sonrası sektöründe bir araştırma
IRMAK MUTLU
Doktora
İngilizce
2023
İşletmeÖzyeğin Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİK DEN HARTİGH
- Bir arıza giderme uzman sistem kabuğu (AGUSK) ve CFM56 turbofan jet motor arızaları için bir uygulama
Başlık çevirisi yok
MEHMET BİRLİK
Yüksek Lisans
Türkçe
1998
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DOÇ. DR. GAZANFER ÜNAL
- Kent meydanlarının mekân tasarımı niteliklerinin bulanık mantık ile değerlendirilmesi
The evaluation of spatial design parameters of urban square with fuzzy logic method
PINAR ÖZYILMAZ KÜÇÜKYAĞCI
Doktora
Türkçe
2020
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. MEHMET OCAKÇI
- A conceptual model for image recognition based progress monitoring: retail construction and finishing works
Görüntü tanıma tabanlı ilerleme takibi için kavramsal bir model: perakende inşaat ve ince yapı işleri
SALİH KAAN MAZLUM
Doktora
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. BEGÜM SERTYEŞİLIŞIK