Geri Dön

Ai-powered autism spectrum disorder diagnosis: machine learning and deep learning approaches

Yapay zeka destekli otizm spektrum bozukluğu tanısı: makine öğrenimi ve derin öğrenme yaklaşımları

PDF İndir

  1. Tez No: 981507
  2. Yazar: RUSUL SALAH IRZOOQI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DİDEM KIVANÇ TÜRELİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Otizm tanısı, makine öğrenmesi, K-en yakın komşu, destek vektör makinesi (SVM), İnsan-yapay zeka etkileşimi, Autism diagnosis, machine learning, k-nearest neighbors, support vector machine (SVM), Human-artificial intelligence interaction
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Okan Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Otizmin spekturum bozukluğuna yönelik kapsamlı ve maliyetli değerlemelerin eğitimli sağlık profesyonellerince gerçekleştirilmesinin gerektirdiği iletişim zorluğuna ve tekrarlayan davranış kalıplarına sahip gelişimsel bir durumdur.Spekturum Katsayısı ve Görevden Geçirilmiş Otizme Erken Teşhis Kontrol Listesi dahil olmak üzere çeşitli araştırmacılar tarafından geliştirilen eleme araçlarıyla bu zorluğa karşı çözümler sunulmuştur.Bahsi geçen yöntemlerin doğru sonuçlar vermesinde kullanıcının uzmanlık seviyesine ve bilgi birikimine büyük özen göstermek gerekmektedir. Makine öğrenimi teknikleri; OSB teşhisinin doğru ve hızlı bir şekilde geliştirilmesinde önemli bir potansiyel sergilemektedir. Otomatik sınıflandırıcılar aracılığıyla oluşan sınıflandırma sistemleri; OSB teşhisinin tanı doğruğunu ve etkinliğini artırarak hassasiyetini iyileştirirken özünlülüğü ve verimini de artırmaktadır. Önerilen yöntemde; çeşitli OSBlere yönelik sorular ve bireylerin günlük aktivite verilerinde makine öğrenimi ile derin öğrenme teknikleri birleştirilmektedir. Çocuklar üzerinde yapılan deney sonucunda elde edilen verilerin analizi göstermiştir ki; makine öğrenimi tabanlı sınıflandırıcılar geleneksel yöntemlerden daha iyi performans sergileyerek tahmin doğruğunu artırmış ve hassasiyet ile spesifiklik bakımından da daha iyi sonuçlar vermiştir. Üç farklı sınıflandırma algoritması - %86 doğru oranıyla K-en yakın komşular (KNN), %96 doğru oranıyla stokastik gradyan inişi (SGD) ve %92 doğru oranıyla destek vektör makinesini (SVM) - otizm spektrum bozukluğuna yönelik veriler üzerinde test edildiler. Sistem derin öğrenme teknikleriyle %99,8 doğru oranına ulaştı. Makine öğrenimi ve derin öğrenme yöntemlerinin kullanılması; hem klinisyenler hem de bireyler için otizm spektrum bozukluğunun teşhisini geliştirmek adına daha iyi tanı araçları oluşturma konusunda büyük bir potansiyel sunuyor.

Özet (Çeviri)

Autism spectrum disorder (ASD) is a developmental condition that results in communication problems along with challenges in social interaction and repetitive behavior patterns. Diagnosing ASD requires extensive and expensive assessments that must be performed by trained professionals in medical facilities. Researchers in various fields have developed screening tools, including the Autism Spectrum Quotient (ASQ) and the Revised Autism Early Detection Checklist, to address these challenges. The accuracy of these methods depends heavily on the user's level of expertise as well as their knowledge base. Machine learning techniques show significant potential for improving both the accuracy and speed of ASD detection. Automated classifiers built through classification systems enhance the diagnostic accuracy and efficiency of ASD detection by improving sensitivity, specificity, accuracy, and efficiency. The proposed method combines machine learning and deep learning techniques on a set of ASD-related questions and daily movement data of individuals. Experimental results on child, adolescent, and adult datasets demonstrate that machine learning classifiers outperform traditional methods in prediction accuracy, sensitivity, consensus, and specificity. Three classification algorithms—K-nearest neighbors (KNN) with 86% accuracy, stochastic gradient descent (SGD) with 96% accuracy, and support vector machine (SVM) with 92% accuracy—were applied to the autism spectrum disorder dataset. The system achieved 99.8% accuracy through deep learning. The application of machine learning and deep learning methods shows strong potential for enhancing the detection of autism spectrum disorder by creating better diagnostic tools for both clinicians and users.

Benzer Tezler

  1. Tez No

    915356

    AI-powered web application security mechanisms

    Yapay zeka destekli ağ uygulaması güvenliği düzenekleri

    DİLEK YILMAZER DEMİREL

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA

  2. Tez No

    954264

    AI-powered recommendation systems: Exploring their impact on customer-business interactions

    Yapay zeka destekli öneri sistemleri: Müşteri-işletme etkileşimleri üzerindeki etkilerinin araştırılması

    FATMA SBIAI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İşletmeHaliç Üniversitesi

    İşletme Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CENGİZ KARATAŞ

  3. Tez No

    1007896

    AI-powered personalization in online learning for professional development

    Mesleki gelişim için çevrimiçi öğrenmede yapay zeka destekli kişiselleştirme

    HIDAYA HUSEYNOV

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilim ve TeknolojiBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERDEM ERZURUM

  4. Tez No

    1010818

    Ai-powered EFL writing assessment: Investigating the validity and reliability of large language models in automated scoring

    Yapay zekâ destekli İngilizce yazma değerlendirmesi: Otomatik puanlamada büyük dil modellerinin geçerlik ve güvenirliğinin incelenmesi

    İREM SILA ÖZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Eğitim ve ÖğretimÇanakkale Onsekiz Mart Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. SALİM RAZI

    DR. ÖZGÜR ÇELİK

  5. Tez No

    871466

    Analysing the effects of AI-powered chatbots on the writing skills of English preparatory class students: An experimental study

    Yapay zeka destekli sohbet botlarının İngilizce hazırlık öğrencilerinin yazma becerilerine olan etkilerinin incelenmesi: Deneysel bir çalışma

    EYLÜL KARABULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve ÖğretimOndokuz Mayıs Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    DOÇ. DR. EMRAH EKMEKÇİ

Geri Dön