Geri Dön

Automated detection of autism based on the electrical signals of the brain (EEG)

Beynin elektrik sinyallerine (EEG) dayalı otizmin otomatik tespiti

PDF İndir

  1. Tez No: 940899
  2. Yazar: BASHAR SAAD FALIH AL SAFFAR
  3. Danışmanlar: DOÇ. DR. AHMET AYDIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Erken tarama, Otizm Spektrum Bozukluğu (OSB) olan çocuklar için etkili müdahale ve rehabilitasyonun önemli bir parçasıdır. Gerçek zamanlı ve hassas izleme sağlayan Elektroensefalografi (EEG) sinyalleri, bu çalışmada ASD teşhisi için önerilen iki yöntemin geliştirilmesinde kullanılmıştır. 19 kanallı uyku EEG kayıtları kullanılarak 52 örnekten (22 ASD'li ve 30 kontrol) oluşan bir veri seti toplanmıştır. Yöntem 1: Bu yöntem, beynin sol ve sağ yarım küreleri arasındaki enerji farklarını kullanmıştır. Ön işleme adımları, azalma, bant geçiren filtreleme (< 0,5 Hz ve > 49 Hz istenmeyen frekansları reddetmek için), artefakt alt alanı yeniden yapılandırma ve genlik normalizasyonunu içermiştir. EEG sinyalleri beş frekans bandına ayrılmış ve her yarım küre için tepe kanal zarfı hesaplanmıştır. Maksimum, ortalama ve minimum enerji değerleri gibi özellikler, %12,5-%87,5 oranında değişen örtüşme oranları ile kayan pencere yöntemi kullanılarak çıkarılmıştır. Destek Vektör Makinesi (DVM) sınıflandırıcıları (Doğrusal, RBF ve Kuadratik çekirdekler) kullanılarak en iyi performans, maksimum enerji özellikleriyle DVM -D kullanılarak teta bandında elde edilmiştir: doğruluk %91,7, duyarlılık %91,4 ve F1 ölçüsü %91,6. Yöntem 2: Bu yaklaşımda, Irak ve Polonya'dan EEG verilerini otomatik şekilde analiz etmiştir. Ön işleme, gürültü giderme (< 0,5 Hz ve > 49 Hz istenmeyen frekansları bastırmak için) ve artefakt alt alanı yeniden yapılandırmayı içermiştir. EEG kanal güç spektral yoğunluğu özellikleri ve beyin topografya haritaları, derin özellik çıkarıcılar (örneğin AlexNet, GoogLeNet) kullanılarak işlenmiştir. Özellik seçimi için ANOVA uygulanmış, ardından DVM ve Doğrusal Ayırıcı Analiz (DAA) ile sınıflandırma yapılmıştır. Alfa bandı en iyi performansı göstermiştir. Doğruluk, Irak için %98 ve standart sapma (SS) %2,3'e ulaştı (GoogLeNet + ANOVA + DVM-D) ve Polonya için %96,5 doğruluk ile %3,6 SS (AlexNet-FC6 + ANOVA + DVM-D) olarak elde edilmiştir. Her iki yöntem de, EEG tabanlı sistemlerin düşük maliyetli ve doğru tanı araçları olarak potansiyelini vurgulamakta ve sağlık profesyonellerine OSB teşhisinde değerli bir karar destek mekanizması sunmaktadır.

Özet (Çeviri)

Early screening is essential for effective intervention and rehabilitation in children with Autism Spectrum Disorder (ASD). EEG signals, offering real-time and sensitive monitoring, were used in this study to develop two proposed methods for ASD diagnosis. A dataset of 52 samples (22 with ASD and 30 controls) was collected using 19-channel sleep EEG recordings. Method 1: This method utilized energy differences between the left and right brain hemispheres. Preprocessing steps included decimation, involved noise removal FIR-BPF (< 0.5 Hz and > 49 Hz to reject unwanted frequencies) and artifact subspace reconstruction, and amplitude normalization. EEG signals were decomposed into five frequency bands, and peak channel envelopes were calculated for each hemisphere. Features—maximum, mean, and minimum energy values—were extracted using a sliding window approach with varying overlap ratios (12.5%–87.5%). The SVM classifiers with Linear (L), RBF, and Quadratic kernels were used and, the highest performance was achieved in the theta band: accuracy 91.7%, sensitivity 91.4%, and F1 measure 91.6%, with SVM-L using maximum energy features. Method 2:This approach analyzed two EEG dataset from Iraq and Poland. Preprocessing involved noise removal (< 0.5 Hz and > 49 Hz to reject unwanted frequencies) and artifact subspace reconstruction. EEG channel power spectral density features and brain topography maps were processed using deep feature extractors (e.g., AlexNet, GoogLeNet). ANOVA was applied for feature selection, followed by classification using SVM and Linear Discriminant Analysis (LDA). The alpha band demonstrated the best performance. The mean accuracy reached 98% with an standard deviation (SD) of 2.3% (Iraq, GoogLeNet + ANOVA + SVM-L) and 96.5% with an SD of 3.6% (Poland, AlexNet-FC6 + ANOVA + SVM-L). Both methods highlight the potential of EEG based systems as cost-effective and accurate diagnostic tools, providing valuable decision-support for healthcare professionals in ASD diagnosis.

Benzer Tezler

  1. Tez No

    981507

    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

    RUSUL SALAH IRZOOQI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Okan Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DİDEM KIVANÇ TÜRELİ

  2. Tez No

    886369

    Automatic gaze detection for child-robot interaction

    Çocuk-robot etkileşiminde otomatik bakış tespiti

    NURSENA BÖLÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  3. Tez No

    799874

    ASD automatic detection by using yolo V3 and V4 method

    Yolo V3 ve V4 yöntemi kullanarak ASD otomatik tespit

    FARAH MUWAFAQ KAMIL AL-QURAISHI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. MESUT ÇEVİK

  4. Tez No

    143193

    Automated detection of sleep spindles

    Uyku iğciklerinin yerinin otomatik saptanması

    DİLAN GÖRÜR

    Yüksek Lisans

    İngilizce

    İngilizce

    2003

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NEVZAT GENÇER

    PROF. DR. UĞUR HALICI

  5. Tez No

    387503

    Automated detection of viewer engagement by head motion analysis

    İzleyici ilgi seviyesinin kafa hareketlerinin analizi ile otomatik tespiti

    UĞUR GÜLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Bölümü

    DOÇ. DR. ALPTEKİN TEMİZEL

Geri Dön