EEG-based alzheimer's disease detection with graph learning techniques
Graf öğrenme tekniklerı ile EEG tabanlı alzheımer hastalığı tespiti
- Tez No: 972102
- Danışmanlar: PROF. DR. İLKER TÜRKER
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Fonksiyonel beyin ağları, Graf temsilleri, EEG sınıflandırması, Alzheimer hastalığı tespiti, Grafik madenciliği, zaman serisi sınıflandırması, Functional brain networks, graph representations, EEG classification, Alzheimer's disease detection (ADD), Graph mining, Time series
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alzheimer hastalığı (AD), yaşlı bireyleri etkileyen, hafıza kaybı, zihinsel gerileme ve düşünme ile hareket etme yetisinin kaybına yol açan ilerleyici bir nörolojik bozukluktur ve ölüm nedenleri arasında giderek artan bir orana sahiptir. Elektroensefalografi (EEG) sinyal analizi, sinirsel aktiviteleri yansıtabilme yeteneği sayesinde AD tespitinde sıkça kullanılan bir yöntemdir ve hastalıkla ilişkili anormalliklerin belirlenmesine yardımcı olur. EEG sinyalleri çok değişkenli yapısından dolayı genellikle çok boyutlu zaman serileri olarak ele alınır. Bu çalışma, EEG kayıtlarını zaman çözünürlüğü ile grafik temsillere dönüştüren yeni bir dönüşüm stratejisi önermektedir. EEG sinyalleri, küçük zaman pencerelerine ayrılır ve her pencere için EEG kanalları arasındaki sinyal koheransı temelinde benzerlik grafı oluşturulur. Elde edilen komşuluk (adjacency) matrisleri düzleştirilerek her zaman penceresi için koherans bilgisini temsil eden tek piksellik görüntü sütunlarına dönüştürülür. Bu sütunlar, %50 örtüşme oranına sahip kayan zaman pencereleri boyunca yatay olarak birleştirilerek gri tonlamalı bir görüntü elde edilir. Bu görüntü, görüntü sınıflandırma için yaygın olarak kullanılan derin öğrenme mimarilerine girdi olarak kullanılabilir. Bu yeni gösterim, daha önce önerilmiş olan zaman-graf temsili Connectogram'ın koherans tabanlı bir versiyonu olup Connectogram-COH olarak adlandırılmıştır. Elde edilen zaman-graf görüntülerinin çok kanallı EEG kayıtlarını başarıyla temsil ettiği ve AD tespitinde yüksek doğruluk oranları sağladığı gözlemlenmiştir. Ayrıca, önerilen yaklaşımın tüm EEG tabanlı sınıflandırma görevlerinde ve daha genel olarak zaman serisi sınıflandırmalarında da kullanılabilir potansiyele sahip olduğu görülmüştür.
Özet (Çeviri)
Alzheimer's disease (AD) is a progressive brain disorder commonly seen in older adults. It leads to memory loss, cognitive decline, and eventually affects a person's ability to perform everyday tasks. Over time, it can become life-threatening, and its prevalence has been rising significantly. One widely used approach for detecting AD is through electroencephalography (EEG), which measures electrical activity in the brain. EEG is especially useful because it can reveal patterns of abnormal brain function linked to the disease. Since EEG data involve multiple channels over time, they are typically treated as multidimensional time series, requiring specialized methods for proper analysis. This study introduces a novel transformation approach that captures EEG data as a series of time-resolved graph representations. By breaking the recordings into short time segments, the method builds similarity graphs that reflect the coherence between different EEG channels. The retrieved adjacency matrices are further flattened to form a 1-pixel image column which represents the coherence activity from the available electrodes within the given time window. The pixel columns are combined side-by-side across all sliding time windows, each overlapping by 50%, to form a grayscale image. This image can then be fed into popular deep learning models designed for image processing. We refer to this representation as Connectogram-COH, which is a coherence-based extension of our earlier time-graph model, Connectogram. Results indicate that the generated time-graph images provide a successful representation for the multichannel recordings, exhibiting high accuracy rates for AD detection. Additionally, the proposed representation highlights the potential of enhancing all EEG-based classification tasks or moreover, time series classification tasks.
Benzer Tezler
- Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi
Determination of neuromarkers associated with dementia using EEG and machine learning
MESUT ŞEKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Epileptik nöbetlerin büyük dil modelleri desteğiyle tanısı
Diagnosis of epileptic seizures with large language models support
BARAA RAYED
Yüksek Lisans
Türkçe
2026
Nörolojiİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. ERKAN ATMACA
- Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti
Detection of alzheimer's from EEG signal with machine learning methods
YELİZ ŞENKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇETİN KURNAZ
- Design and analysis of alzheimer disease detection system from EEG signals based on machine learning algorithms
Alzheımer hastalık tespit sistemi tasarımı ve makine öğrenme algoritmalarına dayalı EEG sinyallerinden analizi
HUSSEIN OBAID NAYEL NAYEL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- EEG sinyallerinin zaman-frekans gösterimlerinin derin öğrenme ile analizi sonucu alzheimer hastalığının tespiti
Detection of alzheimer disease through deep learning analysis of EEG signals' time-frequency representations
MERAL ASLAN DİL
Yüksek Lisans
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN