Derin öğrenme algoritmasıyla obsesif kompulsif bozukluk için ayırt edici biyobelirteç tespiti
Detecting discriminative biomarkers for obsessive compulsive disorder using deep learning algorithms
- Tez No: 944876
- Danışmanlar: PROF. DR. TÜRKER TEKİN ERGÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Biyoloji, Psikiyatri, Bilim ve Teknoloji, Biology, Psychiatry, Science and Technology
- Anahtar Kelimeler: Obsesif kompulsif bozukluk, Derin öğrenme, Yapay sinir ağları, Elektroensefalografi, Biyobelirteç, Obsessif kompülsif bozukluk, Obsessive-compulsive disorder, Deep learning, Artificial neural networks, Electroencephalography, Biomarker, Obsessive compulsive disorder
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Nörobilim Ana Bilim Dalı
- Bilim Dalı: Nörobilim Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, Obsesif Kompulsif Bozukluk (OKB) tanılı bireylerin ve sağlıklı bireylerin elektroensefalografi (EEG) verileri kullanılarak derin öğrenme yöntemleri aracılığı ile OKB için ayırt edici biyobelirteçlerin belirlenmesi amaçlanmıştır. Bu doğrultuda, OKB'nin nesnel tanılama süreçlerine yapay zeka destekli yaklaşımlarla katkı sağlanması hedeflenmiştir. Araştırmada, OKB tanısı konmuş bireyler ile sağlıklı bireylerden elde edilen EEG sinyalleri kullanılmış; bu veriler üzerinde derin öğrenme algoritmaları uygulanmıştır. Bu kapsamda, Bir Boyutlu Konvolüsyonel Sinir Ağı- Kapılı Tekrarlayan Birim (1DCNN-GRU) ve Bir Boyutlu Konvolüsyonel Sinir Ağı- Transformer Encoder (1DCNN-TE) mimarileri geliştirilmiş ve bu modellerle EEG verileri sınıflandırılmıştır. Sınıflandırma raporlarına göre, 1DCNN-TE modeli, 1DCNN-GRU modeline kıyasla daha yüksek performans sergileyerek, doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerde üstünlük göstermektedir. 1DCNN-TE modelinde, yanlış negatifler (11) ve yanlış pozitifler (1) düşük seviyelerde kalırken, 1DCNN-GRU modelinde bu değerler sırasıyla 30 ve 95'tir. Ayrıca, 1DCNN-TE modelinin eğitim ve test doğruluğu %95'in üzerinde iken, 1DCNN-GRU modelinde doğruluk %90'nın üzerine ulaşmıştır. Eğitim ve test kayıpları her iki modelde de azalma eğilimindeyken, 1DCNN-TE modelinde test kaybındaki dalgalanmalar daha belirgin olmuştur. Elde edilen bulgular, her iki modelin de OKB'yi yüksek doğruluk oranlarıyla sınıflandırabildiğini ve EEG sinyalleri üzerinden ayırt edici özellikleri başarılı şekilde öğrenebildiğini göstermiştir. Ancak test verilerinde gözlemlenen dalgalanmalar veya kontrol grubu tespitindeki hatalar, modellerin genellenebilirliği ve yeni veriler üzerindeki güvenilirliği açısından sınırlılıklara işaret etmiştir. Bu çalışma, derin öğrenme tabanlı modellerin psikiyatrik tanılarda kullanımı açısından yenilikçi bir yaklaşım sunmuş ve OKB'nin biyobelirteç temelli tanılanmasında EEG'nin potansiyelini vurgulamıştır.
Özet (Çeviri)
This study aims to identify distinctive biomarkers for Obsessive-Compulsive Disorder (OCD) using deep learning methods applied to electroencephalography (EEG) data obtained from individuals diagnosed with OCD and healthy controls. In this context, it is intended to contribute to the objective diagnostic processes of OCD through artificial intelligence-supported approaches. EEG signals from individuals with OCD and healthy controls were used in the study, and deep learning algorithms were applied to this data. In this scope, two architectures were developed: One-Dimensional Convolutional Neural Network with Gated Recurrent Unit (1DCNN-GRU) and One-Dimensional Convolutional Neural Network with Transformer Encoder (1DCNN-TE), and EEG data were classified using these models. According to the classification reports, the 1DCNN-TE model outperformed the 1DCNN-GRU model in terms of accuracy, precision, recall, and F1 score. In the 1DCNN-TE model, the number of false negatives (11) and false positives (1) remained at low levels, whereas these values were 30 and 95, respectively, in the 1DCNN-GRU model. Furthermore, while the accuracy of the 1DCNN-TE model exceeded 95% in both training and testing, the 1DCNN-GRU model reached an accuracy level of over 90%. Although both models showed a decreasing trend in training and test loss, the 1DCNN-TE model exhibited more pronounced fluctuations in test loss. The findings indicate that both models can classify OCD with high accuracy and effectively learn distinctive features from EEG signals. However, the fluctuations observed in test data and misclassifications within the control group point to limitations in the generalizability and reliability of the models on new data. This study presents an innovative approach to the use of deep learning-based models in psychiatric diagnoses and highlights the potential of EEG in biomarker-based diagnosis of OCD.
Benzer Tezler
- Driving assistant using YOLOV8 deep learning model for car, person and traffic detection with a decision-support algorithm
YOLOV8 derin öğrenme modeli kullanan sürüş asistanı araba, kişi ve trafik tespiti için karar destek algoritmasıyla
ABEER SARHAN MAZYOON AL RUFAYE
Yüksek Lisans
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Okan ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SİNA ALP
- Derin öğrenme yöntemi kullanılarak geliştirilen yapay zeka uygulamaları aracılığıyla diagnostik doğruluğun tespiti
Determination of diagnostic accuracy through artificial intelligence applications developed using deep learning method
KADER BİÇENGİL
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiRecep Tayyip Erdoğan ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
DOÇ. DR. DOÇ.DR.AYÇA KURT
- Derin öğrenme ile içerik tabanlı siber tehdit tespiti
Content-based cyber threat detection with deep learning
EMRE KOÇYİĞİT
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
- Derin pekiştirmeli öğrenme ile robot kol tork kontrolü
Robotic arm torque control via deep reinforcement learning
MUHAMMED RAŞİT EVDÜZEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR İPLİKÇİ
- Wi-Fi sinyalleri kullanılarak kablosuz cihazların derin öğrenme yöntemleri ile kimliklendirilmesine yönelik bir çalışma
A study on wireless device identification using Wi-Fi signals by means of deep learning methods
MUHAMMED SEFA KOÇAKOĞLU
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiAskeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ KARA