Mental hastalıkların gerçek zamanlı ve yapay zekâ tabanlı analizi için EEG cihazı tasarımı
Desıgn of an EEG devıce for real-tıme and aı-based analysıs of mental dısorders
- Tez No: 987144
- Danışmanlar: PROF. DR. MEHMET AKIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, EEG sinyallerinden faydalanarak altı farklı önemli nörolojik ve nöropsikiyatrik hastalığın özellikle Alzaymır, Depresyon, Epilepsi, Migren, Parkinson ve Şizofreni otomatik olarak tanımlanmasına yönelik bir makine öğrenmesi modeli geliştirmeyi amaçlamıştır. Çalışmanın metodolojik temelini, dikkatli bir ön işleme sürecini takiben EEG verilerinden delta ve teta frekans bantlarına ait zengin bir istatistiksel öznitelik setinin çıkarılması oluşturmaktadır. Elde edilen bu öznitelikler, hastalıklar arasındaki ince biyolojik farklılıkları yakalamak üzere tasarlanmıştır. Çıkarılan özniteliklerin sınıflandırma etkinliğini değerlendirmek amacıyla, üç farklı ve yaygın olarak kullanılan Rastgele Orman (RF), XGBoost ve Çok Katmanlı Algılayıcılar (MLP) yöntemleri uygulanmıştır. Deneysel sonuçlar, kullanılan algoritmalar arasında RF modelinin üstün bir performans sergileyerek %89,47 gibi yüksek bir genel doğruluk oranına ulaştığını göstermiştir; bu başarıyı, XGBoost %82,38 ve MLP %68,19 doğruluk oranlarıyla takip etmiştir. Bu bulgu, özellikle topluluk öğrenmesi yöntemlerinin, karmaşık EEG verilerine dayalı çoklu tanı sistemlerinin geliştirilmesinde, geleneksel tekil veya derin öğrenme modellerine kıyasla güçlü bir alternatif teşkil edebileceğini deneysel olarak kanıtlamaktadır. Sınıf bazlı analizler, modelin sağlıklı kontrol grubu ve Alzaymır hastaları için oldukça yüksek bir sınıflama kesinliği sağladığını ortaya koyarken; Depresyon ve Şizofreni gruplarında hastalıkların nörobiyolojik karmaşıklığı nedeniyle performansın nispeten daha sınırlı kaldığını göstermiştir. Bu çalışma, literatürde genellikle ikili sınıflandırma (sağlıklı vs. hasta) üzerine yoğunlaşan yaklaşımlardan farklı olarak, nörolojik ve psikiyatrik bozuklukların geniş bir yelpazesini ayırt edebilen bütüncül bir makine öğrenmesi çatısı sunmaktadır. Sonuç olarak tez, EEG sinyalleri üzerinden bu tür bozuklukların ayırt edilmesinin mümkün ve güvenilir olduğunu bilimsel olarak kanıtlamakta, klinik tanı süreçlerine destek sağlayabilecek potansiyel bir araç geliştirmektedir.
Özet (Çeviri)
This study aims to develop a machine learning model for the automatic identification of six distinct neurological and neuropsychiatric disorders, specifically Alzheimer's, Depression, Epilepsy, Migraine, Parkinson's, and Schizophrenia, using EEG signals. The methodological framework of the study is based on a careful preprocessing procedure, followed by the extraction of a rich set of statistical features from the delta and theta frequency bands of the EEG data. These extracted features are designed to capture subtle biological differences between the diseases. To assess the classification performance of the extracted features, three widely used algorithms—Random Forest (RF), XGBoost, and Multilayer Perceptron (MLP)—were applied. The experimental results revealed that among the algorithms, the RF model demonstrated superior performance, achieving an overall accuracy of 89,47%, followed by XGBoost at 82,38% and MLP at 68,19%. These findings provide empirical evidence that ensemble learning methods can serve as a strong alternative to traditional singular or deep learning models in the development of complex EEG-based multi-diagnosis systems. Class-based performance analysis showed that the model achieved particularly high classification accuracy for healthy controls and Alzheimer's patients, while the performance was relatively limited for the Depression and Schizophrenia groups, likely due to the neurobiological complexity of these disorders. This study, unlike approaches in the literature that typically focus on binary classification (healthy vs. diseased), presents a holistic machine learning framework capable of distinguishing a wide range of neurological and psychiatric disorders. In conclusion, the thesis scientifically demonstrates that it is both feasible and reliable to differentiate these disorders based on EEG signals, offering a potential tool to support clinical diagnostic processes.
Benzer Tezler
- Alzheimer hastalığı tespiti ve CNN model sınıflandırması
Başlık çevirisi yok
CEREN GÜNDÜZALP
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKALP TULUM
- Smart glasses for intra-ocular pressure measurement
Göz içi basınç ölçümü için akıllı gözlük tasarımı
NERGİS SARAÇBAŞI
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ONUR FERHANOĞLU
- Beyin bilgisayar arayüzü ile DC motorun hız ve yön kontrolünü sağlayan iletişim sisteminin tasarım ve gerçeklenmesi
Design and implementation of a communication system that provides speed and direction control of DC motor with brain computer interface
CANER GEZGEZ
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriKocaeli ÜniversitesiElektro-Optik Sistem Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF KAÇAR
- Lizozim tayini için moleküler baskılı grafen oksit bazlı yüzey plazmon rezonans biyosensörü
Molecular imprinted graphene oxide-based surface plasmon resonance biosensor for lysozyme sensing
SEÇKİN KILIÇ
- Mayada ağır metal stresine bağlı olarak anlatım yapan genlerin karakterizasyonu
Characterization of heavy metal induced genes in yeast
ÇAĞATAY TARHAN
Doktora
Türkçe
2009
Genetikİstanbul ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. AYŞEGÜL TOPAL SARIKAYA