Geri Dön

Derin öğrenme algoritmalarına dayalı travma sonrası stres bozukluğunun tahmini

Prediction of post-traumatic stress disorder based on deeplearning algorithms

  1. Tez No: 966160
  2. Yazar: PARISA EBRAHIMPOUR MOGHADDAM TASOUJ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL, PROF. DR. OSMAN EROĞUL
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 163

Özet

Travma sonrası stres bozukluğu (TSSB), ciddi stres ve kaygıya neden olan önemli bir psikiyatrik hastalıktır. Tedavi edilmediğinde depresyon, kaygı ve kardiyovasküler hastalıklarla ilişkilendirilir. Bu çalışma, elektrokardiyografi (EKG) sinyallerinden türetilen zaman-frekans özelliklerini kullanarak yapay zekâ (YZ) tabanlı bir sınıflandırma yöntemini ilk kez sunmaktadır. Ham EKG sinyalleri, Sürekli Dalgacık Dönüşümü (CWT) ile zaman-frekans görüntülerine dönüştürülerek 2D ölçeklendirilmiş temsiller oluşturulmuştur. İkili sınıflandırma (TSSB, Kontrol) için bu görüntüler, derin öğrenme tabanlı evrişimli sinir ağı (CNN) modelleri (AlexNet, GoogLeNet, ResNet50) ile test edilmiş ve dört farklı sinyal segment uzunluğu değerlendirilmiştir. En yüksek başarı, 5 saniyelik segmentlerle ResNet50 modelinde %94,92 doğruluk oranı, yüksek hassasiyet, özgüllük, kesinlik ve 0,99 AUC değeri ile elde edilmiş; bu sonuçlar, geleneksel makine öğrenimi algoritmalarıyla karşılaştırıldığında üstün bulunmuştur. Daha sonra, çoklu sınıflandırma (TSSB, panik atak, depresyon, kontrol) gerçekleştirilmiş ve yine 5 saniyelik segmentlerle ResNet50 modeli %96,14 doğruluk oranı ile en iyi performansı göstermiş, geleneksel yöntemlere kıyasla daha yüksek başarı elde edilmiştir. Son olarak, çoklu sınıflandırmada CNN'lerden elde edilen öznitelikler Destek Vektör Makineleri (SVM) ile birleştirilerek hibrit bir CNN+SVM yaklaşımı önerilmiş; bu yöntem, 5 saniyelik segmentlerde %97,05 doğruluk oranı ve 1,00 AUC değeri ile üstün bir başarı sağlamıştır. Bulgular, zaman-frekans özniteliklerinin CNN ile etkin bir şekilde çıkarıldığını, segment uzunluğunun model performansında kritik bir rol oynadığını ve CNN+SVM hibrit modelinin çoklu sınıflandırmada en yüksek doğruluğu sunduğunu ortaya koymuştur. EKG sinyallerinin YZ destekli zaman-frekans analizini TSSB tanısı için ilk kez kullanan bu çalışma, yenilikçi, yüksek hassasiyetli ve klinik uygulamalara katkı sağlayabilecek bir yöntem sunmaktadır.

Özet (Çeviri)

Post-traumatic stress disorder (PTSD) is a significant psychiatric condition that causes severe stress and anxiety. When untreated, it is associated with depression, anxiety, and cardiovascular diseases. This study presents the first artificial intelligence (AI)- based classification method using time-frequency features derived from electrocardiography (ECG) signals for PTSD diagnosis. Raw ECG signals were transformed into time-frequency images via Continuous Wavelet Transform (CWT) to create 2D scaled representations. For binary classification (PTSD, Control), these images were tested with deep learning-based convolutional neural network (CNN) models (AlexNet, GoogLeNet, ResNet50), evaluating four different signal segment lengths. The highest performance was achieved with 5-second segments using the ResNet50 model, yielding 94.92% accuracy, high sensitivity, specificity, precision, and an AUC of 0.99, outperforming traditional machine learning algorithms in comparison. Subsequently, multi-class classification (PTSD, panic attack, depression, control) was conducted, with the ResNet50 model achieving the best performance at 96.14% accuracy using 5-second segments, again surpassing traditional methods. Finally, a hybrid CNN+SVM approach was proposed for multi-class classification, where features extracted by CNNs were classified with Support Vector Machines (SVM), resulting in an improved accuracy of 97.05% and an AUC of 1.00 with 5- second segments. The findings show that time-frequency features are effectively extracted by CNNs, segment length plays a critical role in model performance, and the CNN+SVM hybrid model delivers the highest accuracy in multi-class classification. As the first study to employ AI-driven time-frequency analysis of ECG signals for PTSD diagnosis, this work introduces an innovative, highly accurate method with significant potential for clinical applications.

Benzer Tezler

  1. Tez No

    933516

    Acil servise başvuran femur boyun kırığı tanılı hastaların grafilerinin yapay zeka programları ile yorumlanması

    Interpretation of radiographs of patients with femoral neck fractures admitted to the emergency department using artificial intelligence programs

    ÜMMÜGÜL GÜLEÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Acil Tıpİzmir Katip Çelebi Üniversitesi

    Acil Tıp Ana Bilim Dalı

    PROF. DR. ZEYNEP KARAKAYA

    DOÇ. DR. MEHMET GÖKTUĞ EFGAN

  2. Tez No

    748200

    Sosyal medyada türkçe nefret söylemlerinin ve Covid-19 yorumlarının makine öğrenmesi, derin öğrenme ve bert teknikleri ile analizi

    Analysis of turkish hateful discourses and Covid-19 comments in social media with machine learning, deep learning and bert techniques

    HABİBE KARAYİĞİT

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiMersin Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ AKDAĞLI

    DOÇ. DR. ÇİĞDEM ACI

  3. Tez No

    797284

    Derin öğrenme algoritmalarına dayalı tahmin: BİST100 ve USD/TRY üzerine bir uygulama

    Prediction based on deep learning algorithms: an application on BİST100 and USD/TRY

    TUĞBERK KORAY YÜCEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikGazi Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. NECLA GÜNDÜZ TEKİN

  4. Tez No

    927912

    Uydu verilerine dayalı zaman serileri ile makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak Samsun ilinde yağış tahmini

    Rainfall prediction in Samsun province using satellite data-based time series with machine learning and deep learning algorithms

    SEBAHAT TEMUÇİN KILIÇER

    Doktora

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriOndokuz Mayıs Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDAT DOĞAN

  5. Tez No

    812729

    Automated diagnostic tool for hypertension using deep learning model

    Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı

    TUĞBA YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHA ŞEN

Geri Dön