Olayla İlgili Potansiyel Sinyalleri Kullanarak Şizofreninin Analizi ve Sınıflandırılması

Autor: AKSÖZ, Anıl, AKYÜZ, Doğukan, BAYIR, Furkan, YILDIZ, Nevzat Can, ORHANBULUCU, Fırat, LATİFOĞLU, Fatma
Rok vydání: 2022
Předmět:
Zdroj: Volume: IDAP-2022 : International Artificial Intelligence and Data Processing Symposium, Issue: 32-36
Computer Science
Bilgisayar Bilimleri
ISSN: 2548-1304
DOI: 10.53070/bbd.1173093
Popis: Şizofreni (SZ), dünya çapında birçok insanı etkileyen ve erken teşhis ve tedavi edilmediği takdirde ölüme neden olan nöropsikiyatrik bir hastalıktır. Erken tanı için yaygın olarak kullanılan yöntemlerden biri elektroensefalografidir (EEG). Sinyal işleme ve makine öğrenme yöntemlerinin EEG sinyallerine uygulanması, SZ hastalığını belirlemek isteyen uzmanlara ve araştırmacılara destek olabilir. Bu çalışmada, SZ hastası ve sağlıklı kontrol grubuna işitsel uyaranların gönderilmesi sonucunda kaydedilen EEG sinyallerinden olaya bağlı potansiyel (OİP) sinyalleri elde edilmiştir. Bu sinyallerden öznitelikler olarak P300 genlik-gecikme, hjorth parametreleri ve entropi değerleri hesaplanmıştır. Elde edilen özellikler, SZ hastalarını sağlıklı kontrol grubundan ayırt etmek için Destek Vektör Makineleri (DVM), K-En Yakın Komşu (KEYK) ve Yapay Sinir Ağları (YSA) sınıflandırıcıları ile değerlendirildi. Bu çalışmada en başarılı sonuç %93,9 doğruluk oranı ile YSA sınıflandırıcısında elde edilmiştir.
Schizophrenia (SZ) is a neuropsychiatric disease that affects many people around the world and causes death if not diagnosed and treated early. One of the commonly used methods for early diagnosis is electroencephalography (EEG). The application of signal processing and machine learning methods to EEG signals can support experts and researchers who want to determine SZ disease. In this study, event-related potential (ERP) signals were obtained from the recorded EEG signals as a result of sending auditory stimuli to the SZ patient and healthy control (HC) group. P300 amplitude-latency, hjorth parameters and entropy values were calculated as features from these signals. The features obtained were evaluated with Support Vector Machines (SVM), K-Nearest Neighbor (KNN) and Artificial Neural Networks (ANN) classifiers to distinguish SZ patients from the HC group. In this study, the most successful result was obtained in the ANN classifier with an accuracy rate of 93.9%.
Databáze: OpenAIRE
Externí odkaz: