Ayrık dalgacık dönüşüm liderleri, spektral analiz ve derin öğrenme modeli kullanılarak elektroensefalografi (EEG) sinyallerinden hafif bilişsel bozukluğunun tespiti

Hafif Bilişsel Bozukluk (HBB), bilişsel bozukluklarla karakterize nöropsikolojik bir sendromdur. HBB'nin erken teşhisi, hastalığın Alzheimer hastalığına dönüşümünü yavaşlatabildiği için önemlidir. Hastalığın doğru ve erken teşhisi kapsamlı testleri ve uzun vadeli gözlemleri gerektirmektedir. Bunlar subjektif, pahalı veya eksik olabilir. EEG bulgulara dayalı olması, invazif olmaması ve daha az maliyetli olması gibi avantajlarıyla hastalıkların teşhisinde güçlü bir adaydır. Bu çalışmada derin öğrenme, makine öğrenmesi ve farklı öznitelik çıkarma yöntemleri kullanılarak, HBB'yi daha yüksek doğrulukla etkili bir şekilde tespit edebilen EEG tabanlı yeni bir model önerilmektedir. Çalışmada EEG sinyalleri Çok Ölçekli Temel Bileşen Analizi (MSPCA) kullanılarak gürültüden arındırılmıştır ve verisetinin boyutunu artırmak için Veri Büyütme (DA) gerçekleştirilmiştir. Daha sonra, EEG sinyallerinden öznitelikleri çıkarmak için Ayrık Dalgacık Dönüşümü Liderleri (DWT liderleri), Periodogram, Welch ve Multitaper öznitelik çıkarma yöntemi kullanılmıştır. Modelin doğrulanması 10-kat çapraz doğrulama yöntemi ile gerçekleştirilmiştir. Son olarak Çift Yönlü Uzun Kısa Dönem Hafıza (BiLSTM), Karar Ağacı (DT), Destek Vektör Makinesi (SVM) ve K-En Yakın Komşu (KNN) algoritmalarının performansları karşılaştırılmıştır. Multitaper spektral analizi ile BiLSTM derin öğrenme algoritmasını bütünleştiren model, deneyler sonucunda en yüksek performansı göstermiştir. Önerilen model, %98.97 doğruluk, %98.34 duyarlılık, %99.67 özgüllük, %99.70 kesinlik, %99.02 f1 skoru ve %97.94 Matthews Korelasyon Katsayısı (MCC) değerleri ile umut verici bir performans elde etmiştir. Anahtar Kelimeler: Derin Öğrenme, DWT liderleri, Elektroensefalografi (EEG), Güç Spektral Analizi, Hafif Bilişsel Bozukluk (HBB).