1D ve 2D cnn derin öğrenme algoritmaları ile eeg sinyallerinden nörolojik hastalık tespiti

Bu tez çalışmasında, Epilepsi, Alzheimer ve Parkinson hastalığının 1 Boyutlu (1D) ve 2 Boyutlu (2D) spektrograma dönüştürülmüş sinyallerden derin öğrenme yoluyla tespiti yapılmıştır. EEG sinyallerinin karmaşıklığı nedeniyle, doğru nörolojik hastalık tespiti için yenilikçi bir yaklaşım gerekmektedir. Geleneksel yöntemler genellikle EEG verilerini tek boyutlu zaman serisi olarak ele alır ve sinyallerdeki önemli frekans bilgisini göz ardı eder. Çalışmamız, 1D EEG sinyallerini 2D spektrogramlara dönüştüren ve tek boyutlu sınırlamaları ele almak için kısa zamanlı Fourier dönüşümünü kullanan bir metodoloji önermektedir. Bu dönüşüm, frekans desenlerini yakalayarak analizi geliştirir ve nöral aktivitenin daha kapsamlı bir anlayışını sağlar. Epilepsi nöbeti tespitinde, 1D CNN modeli %98,9 doğruluk, %98,9 duyarlılık, %99,2 özgüllük ve %99 F1 skoru ile nöbetleri ve nöbetsiz örnekleri doğru bir şekilde sınıflandırmıştır. 2D formatına dönüştürüldüğünde, CNN'in doğruluğu %98,5'ye bir düşüş yaşamış, ancak duyarlılığı %98,6, özgüllüğü %98,4 ve F1 skoru %98,4 olarak elde edilmiştir. Alzheimer hastalığının tespitinde, 1D EEG sinyalleri ile %72,5 doğruluk, %69,4 duyarlılık, %75,6 özgüllük ve %71,8 F1 skoru, 2D spektrogramlar ile ise %82,6 doğruluk, %76,9 duyarlılık, %87,1 özgüllük ve %79,5 F1 skoru elde edilmiştir. Parkinson hastalığının tespitinde, 1D EEG sinyalleri %74,3 doğruluk, %69,2 duyarlılık, %78,7 özgüllük ve %71,4 F1 skoru elde ederken, 2D spektrogramlar ile ise %81,2 doğruluk, %83,6 duyarlılık, %79,2 özgüllük ve %79,9 F1 skoru elde edilmiştir. Sonuç olarak, epilepsi tespitinde 1D sinyallerin daha başarılı olduğu görülürken, 2D spektrogramlar Alzheimer ve Parkinson hastalıklarının tespitinde daha yüksek doğruluk, duyarlılık, özgüllük ve F1 skorları sunmaktadır. Bu bulgular, nörolojik hastalıkların teşhisinde 2D spektrogramların kullanımının etkin olduğunu göstermektedir.