Elektroensefalogram sinyallerinin güç spektral yoğunlukları ve derin öğrenme modeli kullanılarakmajör depresif bozukluğunun tespiti
Detection of major depressive disorder using power spectral densities of electroencephalogram signals and deep learning model
- Tez No: 963557
- Danışmanlar: DOÇ. DR. MUSTAFA TOSUN, DR. ÖĞR. ÜYESİ HANİFE GÖKER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 125
Özet
Majör Depresif Bozukluk (MDD), dünya genelinde yaklaşık 185 milyon kişiyi etkileyen, ciddi ve uzun süreli duygusal çöküntüye hatta sosyal izolasyona sürükleyebilen bir duygudurum bozukluğudur. Erken teşhis edilmediği durumlarda intihar gibi ciddi sonuçlara neden olabilmektedir. Geleneksel tanı yöntemleri, DSM-V kriterlerine dayanmaktadır ancak, semptomların karmaşıklığı, hızlı ve doğru tanı koymayı önemli ölçüde zorlaştırmaktadır. MDD hastalarındaki düzensizlikler ve elektrofizyolojik sapmaların varlığı, non-invaziv özellikli Elektroensefalografi (EEG) yöntemi ile beynin elektriksel aktivitesini kaydederek yapılabilmektedir. Bu çalışmada, MDD'nin erken tespitinde uzmanlara destek olmak amacıyla Multitaper Spektral Analiz ve makine öğrenmesi yöntemlerini kullanan EEG tabanlı bir model önerilmektedir. EEG veriseti, 27 sağlıklı (C) bireyden ve 29 MDD hastasından dinlenme durumunda gözleri açık ve gözleri kapalı olmak üzere iki durumda kaydedilen EEG sinyallerinden oluşmaktadır. Welch, Periodogram ve Multitaper Spektral Analiz yöntemleri kullanılarak EEG sinyallerinden 49 öznitelik vektörü çıkarılmış ve destek vektör makinesi (SVM), rastgele orman (RF) , çift yönlü uzun kısa süreli bellek (Bİ- LSTM) ve yakın komşu (KNN) makine öğrenmesi algoritmalarının performansları karşılaştırılmıştır. Deneysel sonuçlar, Multitaper Spektral Analizi ve BİLSTM makine öğrenmesi algoritmasının kullanıldığı modelin en yüksek performansa sahip olduğunu göstermektedir. Multitaper Spektral Analiz ve BİLSTM algoritması kullanılarak %96,55 doğruluk, 0,9632 hassasiyet, 0,9691 kesinlik, 0.9679 özgüllük, 0,931 Matthews korelasyon katsayısı (MCC), 0,9662 F1-puanı, ve 0.931 Kappa puan değerleri ile umut verici bir performans elde etmiştir. Bu sonuçlar, EEG tabanlı modellerin MDD'nin erken tanısında kullanılabileceğini ve klinik süreçlere önemli ölçüde fayda sağlayabileceğini göstermektedir.
Özet (Çeviri)
Major Depressive Disorder (MDD) is a mood disorder that affects approximately 185 million people worldwide and can lead to serious and long-term emotional depression and even social isolation. If not diagnosed early, it can lead to serious consequences such as suicide. Traditional diagnostic methods are based on DSM-V criteria, but the complexity of the symptoms makes it significantly difficult to make a rapid and accurate diagnosis. The presence of irregularities and electrophysiological deviations in MDD patients can be determined by recording the electrical activity of the brain with the non-invasive Electroencephalography (EEG) method. In this study, an EEG-based model using Multitaper Spectral Analysis and machine learning methods is proposed to support experts in the early detection of MDD. The EEG dataset consists of EEG signals recorded in two conditions, eyes open and eyes closed, from 27 healthy (C) individuals and 29 MDD patients in the resting state. Using Welch, Periodogram and Multitaper Spectral Analysis methods, 49 feature vectors were extracted from EEG signals and the performances of support vector machine (SVM), random forest (RF), bidirectional long short-term memory (BL-LSTM) and nearest neighbor (KNN) machine learning algorithms were compared. Experimental results show that the model using Multitaper Spectral Analysis and BL-LSTM machine learning algorithm has the highest performance. A promising performance was achieved with 96.55% accuracy, 0.9632 sensitivity, 0.9691 precision, 0.9679 specificity, 0.931 Matthews correlation coefficient (MCC), 0.9662 F1-score, and 0.931 Kappa score values by using Multitaper Spectral Analysis and BL-LSTM algorithm. These results show that EEG based models can be used in the early diagnosis of MDD and can significantly benefit the clinical processes.
Benzer Tezler
- Hiperemezis gravidarum fizyopatogenezinde elektroensefalografi kullanımı
The use of electroensefalography in the physiopatheogenesis of hyperemesis gravidarum
MERYEM NUR ÇELİK
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. MURAT MUHCU
- Uyku apnesinde EEG verilerinin spektral analizi
Spectral analysi̇s of eeg data in sleep apnea
ALİCAN YÖRÜK
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiDumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA TOSUN
- Frequency analysis of electroencephalogram signals which recorded from epileptic patients
Epilepsi hastalarından kaydedilen elektroensefalogram sinyallerinin frekans analizi
MUHAMMED RUFAİ BATMANOĞLU
Yüksek Lisans
İngilizce
2016
Elektrik ve Elektronik MühendisliğiFatih ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ŞÜKRÜ OKKESİM
- Spektral ve Faz Tabanlı Özniteliklerle Çok Sınıflı Motor Hayali EEG Sinyallerinin Sınıflandırılması
Classification of multi-class motor imaginary eeg signals with spectral and phase-based features
OSMAN ÇETİN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA TOSUN
- Kamu spotlarının etkisinin EEG sinyalleri ölçümü ile değerlendirilmesi
Studying with EEG signal measuring the impact of public spots
ÇİĞDEM AFACAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ