Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi

Alzheimer Hastalığı (Alzheimer Disease-AD) demansın en yaygın sebebi olup genelde yaşlılarda görülen nörolojik bir hastalıktır. Hafif Kognitif Bozukluk (Mild Cognitive Impairment, MCI), AD'nin bir önceki evresi olup erken belirteç olarak bilinir. Hastalığın ciddiyeti sebebiyle AD'nin erken evrelerdeki gelişiminin tespiti için düşük maliyetli, invaziv olmayan, ve yüksek çözünürlüklü belirteçlerin geliştirilmesi gerekmektedir. Bu tezin amacı, demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesidir. Söz konusu belirteçlerin belirlenmesi amacıyla; AD/MCI gruplarına ait spontan EEG kayıtları, demansda yavaşlama, düşük karmaşıklık ve senkronizasyon örüntülerinin analizleri tez kapsamında çalışılmıştır. Tez kapsamında belirlenen nöro-belirteçler ile demansın erken evrede tespiti, literatüre önemli bir katkı sağlayacağı düşünülmektedir. Bu tez çalışmasında, göz açık-kapalı durumunda 85 AD, 85 MCI, ve 85 Sağlıklı Kontrol (Healthy Condition-HC) içeren Veri seti 1 ve göz kapalı durumda 10 MCI ve 10 HC içeren Veri seti 2 EEG kayıtları analiz edilmiştir. Permütasyon Entropi (PE) karmaşıklık nöro-belirteci olarak önerilirken, tepe güç genlikleri ve frekansları spektral belirteçler olarak seçilmiş ve elektrotlar arasındaki wPLI senkronizasyon özellikleri olarak önerilmiştir. Entopi nöro-belirteçleri için kişi tabanlı 3 sınıflı sınıflandırma yaklaşımı benimsenirken, geri kalan analizler için epok temelli ikili sınıflandırıcılar uygulanmıştır. 25 adet Lazypredict algoritması dikkate alınmış ve en uygun sonuçlar veren işlemlere devam edilmiştir. Bu çalışmada, HC/MCI gruplarını içeren Veri seti 2, 1B EEG segmentleri kullanılarak (EEGNet ve DeepConvNet ile) incelenmiş ve oluşturulan 2B EEG zaman serileri Conv2B ve ResNet mimarileri kullanılarak sınıflandırılmıştır. Ayrıca, 1B EEG kayıtları 2B zaman-frekans (ZF) görüntülerine dönüştürülmüştür. CNN tabanlı ağlar ve Vision Transformer, ZF görüntülerini sınıflandırmak için uygulanmıştır. Sonuç olarak, entropi analizinde gözler açık konumda MCI vs. AD ayrımı central, temporal ve oksipital bölgelerde %100 doğrulukla sonuçlandırılmıştır. MCI'nin bir geçiş evresi olduğu gösterilmiştir. Alfa ve beta tepe genlikleri MCI vs. HC ayrımı için en uygun belirteçlerdir. HC grubunda daha yüksek wPLI değerleri gözlemlenip gruplar %99 doğrulukla sınıflandırılmıştır. Tüm MCI ve HC grupları EEGNet, DeepConvNet ve Vision Transformer (ViT) ile tamamen doğru ayırt edilmiştir. ViT'in dikkat mekanizasması kullanarak CNN tabanlı yaklaşımlardan daha üstün olduğu görülmüştür. ResNet mimarisi de artık bloklar kullanarak CNN'den daha etkili sonuçlar üretmiştir. Mevcut tez çalışması, EEG tabanlı nöro-belirteçler ve makine öğrenme mimarileri kullanarak AD/MCI tespiti için potansiyel sonuçlar sunmaktadır.