EEG Sinyallerinin Zaman-Frekans Gösterimlerinin Derin Öğrenme ile Analizi Sonucu Alzheimer Hastalığının Tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Meral Aslan Dil
Asıl Danışman (Eş Danışmanlı Tezler İçin): Fırat Kaçar
Eş Danışman: Aydın Akan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Alzheimer Hastalığı (AH), nörodejeneratif bir hastalıktır ve demansın en yaygın türüdür. Bilişsel işlevsellikte kayıp, günlük aktivitelerde zorlanma ve hafıza eksikliği gibi semptomlarla kendini gösteren, ilerleyici ve geri dönüşü olmayan bir hastalıktır. Alzheimer hastalığının kesin bir tedavisi olmamakla birlikte, hastalığın erken teşhisi, etkili tedavi ve hastalığın yönetimi açısından önemlidir. Elektroensefalografi (EEG), Alzheimer hastalığının beyin üzerindeki etkilerini araştırmak için en sık tercih edilen klinik araçlardan biridir. EEG verilerinin derin öğrenme mimarilerinden olan Evrişimli Sinir Ağı (CNN) mimarileri ile eğitilerek, Alzheimer hastalığının tespitini yapmaya çalışmak, son zamanlarda üzerinde yoğun şekilde çalışılan konulardan biridir. Bu tez çalışmasında, derin öğrenme mimarileri ve zaman-frekans yaklaşımları kullanılarak Alzheimer hastalarının ve kontrol gönüllülerinin EEG verilerinin sınıflandırılması ile hastalığın erken teşhisi hedeflenmiştir. Bu amaçla, tanısal testlerle erken evre Alzheimer hastalığı teşhisi konmuş 15 Alzheimer hastasının ve 11 sağlıklı kontrol gönüllüsünün EEG sinyalleri incelenmiştir. EEG segmentlerinin, Kısa Zamanlı Fourier Dönüşümü (STFT) ile spektrogram ve Sürekli Dalgacık Dönüşümü (CWT), Bump, Amor ve Morse dalgacıkları ile skalogram görüntüleri elde edilmiş ve bu görüntüler ResNet18, Modifiye ResNet18_1, Modifiye ResNet18_2, GoogleNet, AlexNet ve DarkNet Evrişimli Sinir Ağı (CNN) mimarileri ile eğitilerek elde edilen sonuçlar değerlendirilmiştir. Tüm mimarilerin sonuçları kanal bazlı ve beyin bölgesi bazlı olarak değerlendirildiğinde en yüksek başarım oranlarının beynin arka (posterior) bölgesinde bulunan P4 kanalından CWT Bump zamanfrekans yaklaşımı ile elde edildiği görülmektedir. En yüksek validasyon ve test doğruluk (ACC) sonucuna sahip olan ResNet18 mimarisinden ve ResNet18'in modifiye edilmesiyle elde edilen daha az katman sayısına ve daha düşük filtre derecesine sahip olan ve en hızlı ve dengeli performans sergileyen Modifiye ResNet18_2 mimarisinden sırasıyla %88,11 ve %80,64 sınıflandırma başarımları elde edilmiştir. İki mimari için kanal bazlı değerlendirmede ise P4 kanallarından sırasıyla %96,90 ve %93,70 validasyon doğruluk (ACC) değerleri kaydedilmiştir. Modifiye ResNet18_2 mimarisi, klasik ResNet18'e kıyasla kısmen daha düşük bir ACC değerine sahip olmasına rağmen, eğitim ilerlemesi sonuçlarına bakıldığında dengeli ve sağlam bir performans sergileyerek aşırı uyum (overfitting) göstermediği görülmektedir. Ayrıca, önerilen mimari, diğer modellere göre eğitim sürecini çok daha hızlı tamamlayarak önemli bir zaman tasarrufu sağlamıştır. Bu bulgular, Alzheimer hastalığının tespitinde Modifiye ResNet18_2 mimarisinin doğruluk ve eğitim verimliliği açısından iyi bir alternatif olduğunu göstermektedir.