Diagnostic Differentiation of Psychiatric Disorders (Schizophrenia and Bipolar Disorder) Using EEG-Based Deep Learning Models
EEG Tabanlı Derin Öğrenme Modelleri ile Psikiyatrik Bozuklukların (Şizofreni ve Bipolar Bozukluk) Tanısal Ayrımı
- Tez No: 991801
- Danışmanlar: PROF. DR. TÜRKER TEKİN ERGÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Nöroloji, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Sağlık Bilimleri Ana Bilim Dalı
- Bilim Dalı: Nörobilim Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, elektroensefalografi (EEG) sinyalleri kullanılarak şizofreni, bipolar bozukluk ve sağlıklı kontrol gruplarının derin öğrenme yöntemleriyle sınıflandırılmasını incelemektedir. Çalışmanın temel amacı, özellikle şizofreni ve bipolar bozukluk arasındaki tanısal ayrımı destekleyebilecek EEG tabanlı hesaplamalı bir model geliştirmek ve değerlendirmektir. Çalışmada Üsküdar Üniversitesi ve NPİSTANBUL Beyin Hastanesi klinik ağı üzerinden elde edilen EEG verileri kullanılmıştır. Veri seti sağlıklı kontrol, şizofreni ve bipolar bozukluk gruplarından oluşmaktadır. EEG sinyalleri bölütlenmiş, standartlaştırılmış ve 125 zaman noktası × 19 kanal yapısında derin öğrenme modeline giriş olarak hazırlanmıştır. Sınıflandırma için yerel zamansal örüntüleri öğrenen 1B Evrişimsel Sinir Ağı ve uzun menzilli bağımlılıkları modelleyen Transformer Encoder bloklarından oluşan hibrit bir CNN-Transformer mimarisi kullanılmıştır. Model iç test kümesinde %97,98 doğruluk elde etmiştir. Sınıf bazlı sonuçlar sağlıklı kontrol, şizofreni ve bipolar bozukluk gruplarında yüksek kesinlik, duyarlılık ve F1-skoru değerleri göstermiştir. Ayrıca 15 görülmemiş EEG kaydı üzerinde yapılan dış doğrulamada model 12 örneği doğru sınıflandırarak %80 doğruluk sağlamıştır. Sonuçlar, EEG tabanlı derin öğrenme modellerinin psikiyatrik bozuklukların sınıflandırılmasında ve şizofreni ile bipolar bozukluk ayrımında destekleyici bir araç olabileceğini göstermektedir. Bununla birlikte, bu yaklaşım klinik tanının yerine geçmemeli; daha büyük veri setleri, dış doğrulama ve açıklanabilir yapay zekâ yöntemleriyle desteklenmelidir.
Özet (Çeviri)
This thesis investigates the classification of schizophrenia, bipolar disorder, and healthy control groups using electroencephalography (EEG) signals and deep learning methods. The main aim of the study is to develop and evaluate an EEG-based computational model that can support the diagnostic differentiation between schizophrenia and bipolar disorder. The study uses EEG data obtained through the clinical network of Uskudar University and NPISTANBUL Brain Hospital. The dataset includes healthy control, schizophrenia, and bipolar disorder groups. EEG signals were segmented, standardized, and prepared as 125 time points × 19 channel inputs for the deep learning model. A hybrid CNN-Transformer architecture was used for classification. The one-dimensional Convolutional Neural Network component was designed to learn local temporal patterns, while the Transformer Encoder blocks were used to model longer-range dependencies within the EEG signal. The proposed model achieved an internal test accuracy of 97.98%. Class-specific results showed high precision, recall, and F1-score values across healthy control, schizophrenia, and bipolar disorder groups. In addition, external validation was conducted on 15 unseen EEG recordings, where the model correctly classified 12 samples and achieved an accuracy of 80%. The findings suggest that EEG-based deep learning models may provide a useful decision-support approach for psychiatric classification and for differentiating schizophrenia from bipolar disorder. However, this approach should not be considered a replacement for clinical diagnosis. Larger datasets, independent validation, standardized preprocessing, and explainable artificial intelligence methods are needed before clinical application.
Benzer Tezler
- Demans için ailesel riskin şizofreni-bipolar bozukluk spektrumunda bilişsel işlevler, klinik seyir ve işlevselliğe etkisi
The effect of familial risk for dementia on cognitive functions, clinical course, and functioning in the schizophrenia–bipolar disorder spectrum
ZEYNEP GÜL DAĞLAR
Tıpta Uzmanlık
Türkçe
2026
PsikiyatriDokuz Eylül ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. İBRAHİM EMRE BORA
- Akut psikoz veya psikoz belirtilerinde alevlenme nedeniyle yatırılarak sağaltım gören hastalarda Schneider'in birinci sıra belirtileri
Schneider's first-rank symptoms in patient with acute psychosis or psychotic exacerbation
İBRAHİM TOLGA TURGUT
Tıpta Uzmanlık
Türkçe
2004
PsikiyatriHacettepe ÜniversitesiPsikiyatri Ana Bilim Dalı
DOÇ. DR. MURAT REZAKİ
- Millon Çok Eksenli Klinik Envanteri-III (MCMI-III)'ün geçerlik ve güvenilirliği üzerine bir ön çalışma
A Preliminary study of validity and reliability of the Millon Clinical Multiaxial Inventory-III (MCMI-III)
AYDAN TAŞÇI
- Kognitif empati endofenotip midir? Şizofreni ve diğer psikotik bozukluk tanısı almış hastalar ile birinci dereceden yakınlarının karşılaştırılması
Is cognitive empathy endophenotype? Comparison of the first-degree relatives of patients who are diagnosed with schizophrenia and other psychoric disorders and the patients who are diagnosed with schizophrenia and other psychotic disorders
HAZAL FATMA DİNDAR
Yüksek Lisans
Türkçe
2019
PsikolojiÜsküdar ÜniversitesiKlinik Psikoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNEM ZEYNEP METİN
- Otizm spektrum bozukluğu tanılı olgularda obsesif kompulsif bozukluk gelişimi ile APO-E,TSPO,E-Kadherin,NO,nNOS,FGF-2,EGF,VEGF düzeylerinin ilişkisinin incelenmesi
The relationship between the development of obsessive-compulsive disorder in cases diagnosed with autism spectrum disorder and the levels of APO-E, TSPO, E-Cadherin, NO, nNOS, FGF-2, EGF, and VEGF
ENES KUŞDOĞAN
Tıpta Uzmanlık
Türkçe
2025
Psikiyatriİstanbul ÜniversitesiÇocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ALİ KARAYAĞMURLU