EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: TOBB Ekonomi Ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği, Türkiye
Tez Danışmanı: Osman Eroğul
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Desteklendiği Program: Diğer
Özet:
Dikkat eksikliği hiperaktivite bozukluğu (DEHB), çocukluk çağında başlayan, yaygın, komorbid bir nörogelişimsel bozukluktur. Teşhis, karar destek sistemi olmadan, profesyoneller tarafından davranış derecelendirme ölçekleri kullanılarak konulmaktadır. Doğru teşhis ve tedavideki gecikmeler, bu hastalık ile birlikte ortaya çıkan diğer psikiyatrik durumların kötüleşmesine ve sonuç olarak sağlık hizmetlerindeki kullanımın artmasına bağlı maliyete neden olur. Bu nedenle, DEHB tanısında kullanılabilecek potansiyel bir karar destek sistemine ihtiyaç vardır. Bu tez çalışmasında DEHB tanısı bulunan ve sağlıklı çocuklara ait EEG sinyallerinden frekans-zaman yapıları ile derin öğrenme yöntemlerinden biri olan evrişimsel sinir ağları (ESA) kullanılarak DEHB teşhisi için yüksek doğrulukla çalışan farklı tahmin modellerinin incelenmesi ile sübjektif testlere bağımlılığı azaltacak, tanı için hızlı ve başarılı bir karar destek algoritması önermek ve açıklanabilir yapay zeka (YZ) yöntemleri ile zaman-frekans alanındaki gizli bilgilerin DEHB tanısında nasıl bir etkiye sahip olduğunu keşfetmek amaçlanmaktadır. Bu amaçla, veriler bir ön işlemeden geçirilerek gürültülerinden arındırılmış ve zaman-frekans bilgisi sağlayan spektrogram görüntüleri oluşturulmuştur. Tez kapsamında ESA mimarileri AlexNet, GoogleNet, ResNet-50, ve SqueezeNet üzerinde transfer öğrenme çalışılmıştır. İlk aşamada ESA mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. En başarılı performans %97.78 ile AlexNet mimarisi ile elde edilmiştir. Kanal ve frekans bantlarına ayrılan sinyaller ile beyin bölgelerinin ve frekansların tanıda ayırt ediciliği incelenmiştir. Alfa frekansı ve parietal bölge kanalları tek başına DEHB tahmininde en başarılı bulunmuştur. Gradyan ağırlıklı sınıf aktivasyon haritalama (Grad-CAM) ile görselleştirilerek açıklanabilir bir model elde edilmiştir. Daha sonra aynı ESA mimarileri ile sadece öznitelikler elde edilmiş ve farklı makine öğrenimi algoritmalarıyla performans analizleri gerçekleştirilmiştir. Manuel öznitelikler elde edilip bir önceki aşama ile karşılaştırılmıştır. Sınıflandırma algoritması olarak Karar Ağaçları, Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (k-NN) ve Ensemble yöntemi kullanılmıştır. En başarılı performans AlexNet mimarisinden elde edilen özniteliklerin DVM algoritması ile sınıflandırılması sonucu elde edilmiştir (%98.33). Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen yöntemin DEHB tanısında iyi bir karar destek sistemi olarak kullanılabileceğini göstermektedir.