Geri Dön

Research on the development of an artificial intelligence based expert system for the detection of schizophrenia from eeg data

Şizofreni hastalığının eeg verilerinden tespiti için yapay zeka tabanlı bir uzman sistem geliştirilmesinin araştırılması

PDF İndir

  1. Tez No: 960920
  2. Yazar: OSMAN KÜÇÜK
  3. Danışmanlar: DOÇ. DR. İSMAİL CANTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Biyomedikal mühendisliği, EEG, Şizofreni, Biomedical engineering, Schizophrenia
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Şizofreni (ŞZ), bilişsel ve sosyal işlevleri bozan, sıklıkla algı bozuklukları ve sanrılar gibi psikotik deneyimlerle karakterize edilen bir psikolojik bozukluktur. Yapay Zeka (YZ) tabanlı yöntemler, ŞZ'nin erken tanısında sağlık uzmanlarına yardımcı olmak amacıyla giderek daha fazla kullanılmaktadır. Bu çalışma, EEG verileri kullanılarak YZ modellerinin ŞZ'yi ayırt etme başarısını değerlendirmektedir. Çalışmada, 11'i ŞZ tanılı ve 20'si sağlıklı olmak üzere toplam 31 katılımcıdan elde edilen EEG kayıtları kullanılmıştır. Üç farklı öznitelik çıkarım yöntemi—Streamline Feature Extraction (SFE), Automatic EEG Signal Preprocessing and Feature Extraction Toolbox (AutoEEGT) ve EEG Feature Extraction Toolbox (EFETB)—uygulanmış, ayrıca AlexNet, DenseNet-201 ve ResNet-50 gibi derin öğrenme mimarilerinden elde edilen öznitelikler de analiz edilmiştir. Gürültüyü azaltmak amacıyla EEG sinyallerine 0.5–45 Hz bant geçiren filtre uygulanmış ve hem filtrelenmiş hem de ham veriler analiz edilmiştir. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) kullanılarak sınıflar arası dengesizlik giderilmiştir. Farklı öznitelik seçme yöntemleri test edilmiş ve model performansı, SVM, RF, NB, LR, KNN ve DT gibi çeşitli sınıflandırıcılar kullanılarak Leave-One-Out Cross Validation (LOOCV) ile değerlendirilmiştir. Değerlendirme metrikleri arasında doğruluk, kesinlik, duyarlılık ve F1 skoru yer almıştır. Geleneksel öznitelik çıkarımında en iyi sonuç, SFE, SMOTE ve LASSO öznitelik seçimiyle SVM sınıflandırıcısı kullanılarak %75 doğruluk ile elde edilmiştir. Derin öğrenme tabanlı özniteliklerde ise AlexNet ve KNN kombinasyonu %81 doğrulukla en yüksek performansı göstermiştir. Filtrelemenin etkisi kullanılan öznitelik çıkarım yöntemine göre değişmiş, SMOTE ve öznitelik seçiminin katkısı ise model ve yönteme bağlı olarak sınırlı ancak yer yer anlamlı olmuştur. Bu çalışma, EEG tabanlı ŞZ tanısında öznitelik çıkarımı, veri dengesi ve öznitelik seçimi yöntemlerini karşılaştırmalı olarak analiz ederek, daha büyük ve dengeli veri kümeleriyle yapılacak gelecekteki çalışmalar için temel sağlamaktadır.

Özet (Çeviri)

Schizophrenia (SZ) is a psychological disorder that impairs cognitive and social functioning, often marked by psychotic experiences such as perceptual distortions and delusions. Artificial Intelligence (AI)-based methods have become popular in the early detection of SZ. This study evaluates the effectiveness of AI models in distinguishing SZ from 31 subjects—11 diagnosed with SZ and 20 healthy controls using EEG data. Three feature extraction methods—Streamline Feature Extraction (SFE), Automatic EEG Signal Preprocessing and Feature Extraction Toolbox (AutoEEGT), and EEG Feature Extraction Toolbox (EFETB)—were applied, along with deep learning-based features from AlexNet, DenseNet-201, and ResNet-50. EEG signals were filtered using a band-pass filter to reduce noise, and both raw and filtered signals were analyzed. Synthetic Minority Over-sampling Technique (SMOTE) was utilized to mitigate class imbalance. Various feature selection techniques were tested, and model performance was evaluated using Leave-One-Out Cross Validation (LOOCV) across multiple classifiers, including SVM, RF, NB, LR, KNN, and DT. To assess model performance, evaluation metrics such as accuracy, precision, recall, and F1-score were employed. The best result from traditional feature extraction was achieved using SFE, SMOTE, and LASSO feature selection with SVM, yielding 75% accuracy. Among deep learning-based features, the combination of AlexNet and KNN reached the highest accuracy at 81%. The impact of filtering varied across feature extraction methods, and the contribution of SMOTE and feature selection techniques depended on the specific model and approach. This research provides a comparative analysis of feature extraction, data balancing, and feature selection methods in EEG-based SZ diagnosis and highlights the potential of AI tools for improved mental health assessment with future larger-scale datasets.

Benzer Tezler

  1. Tez No

    1001016

    Yapay zekâ ve uzman temelli program geliştirme süreçlerinin karşılaştırılması: Tıp fakültesi tıbbi mesleki İngilizce dersi örneği

    Comparing artificial intelligence-based and expert-based program development processes: The case of medical professional English course in a medical faculty

    AYŞENUR AĞAOĞLU İŞSEVER

    Doktora

    Türkçe

    Türkçe

    2026

    Eğitim ve ÖğretimYıldız Teknik Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET GÜROL

  2. Tez No

    1006988

    Yapay zeka tabanlı ürün geliştirme çalışması: Kahramanmaraş mutfak kültürü örneği

    Product development study based on artificial intelligence: The case of Kahramanmaraş culinary culture

    ERKAM DEMİRYÜREK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Gastronomi ve Mutfak SanatlarıNevşehir Hacı Bektaş Veli Üniversitesi

    Gastronomi ve Mutfak Sanatları Ana Bilim Dalı

    DOÇ. DR. EMİNE KALE

  3. Tez No

    983777

    Sporda yapay zeka kullanımı: ChatGPT temelli antrenmanların performansa etkisi

    Use of artificial intelligence in sports: The effect of ChatGPT-based training on performance

    SERDAR TUNCAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    SporSakarya Uygulamalı Bilimler Üniversitesi

    Antrenörlük Eğitimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ VOLKAN SERT

  4. Tez No

    844124

    Development and validation of artificial intelligence-based recruitment acceptance model: An empirical investigation among candidates

    Yapay zekâ tabanlı işe alım kabul modelinin geliştirilmesi ve doğrulanması: Adaylar arasında ampirik bir araştırma

    BÜŞRA AYDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Yönetim Bilişim SistemleriOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. SEVGİ ÖZKAN YILDIRIM

  5. Tez No

    914870

    Eğitimde yapay zeka kullanımına ilişkin akademisyen görüşlerinin incelenmesi

    An examination of academicians' opinions on the use of artificial intelligence in education

    İBRAHİM ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Eğitim ve ÖğretimTrabzon Üniversitesi

    Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı

    DOÇ. DR. ESRA KELEŞ

Geri Dön