EEG sinyallerinden şizofreni hastalarının derin öğrenme yöntemleri ile belirlenmesi

Şizofreni teşhisi, alanında uzman bir psikiyatrist tarafından hasta görüşmeleri yoluyla gerçekleştirilir. Bahsedilen tespit işlemi uzun zaman gerektiren, masraflı ve hataya açık bir işlemdir. Ciddi ve kronik bir hastalık olan şizofrenide hastalar gerçek hayatla arasındaki bağlantısını yitirerek farklı davranışlar sergilemeye, gerçek olmayan olaylara inanmaya ve kişiliklerini değiştirmeye eğilim gösterirler. Hayat boyu süren bu hastalıkta doğru tedavi ile hastalık kontrol altına alınabilir. Bu sayede hastalar sağlıklı bir birey olarak yaşamını sürdürebilir, sosyal ilişkilerinde ve iş hayatlarında başarılı olabilirler. Tedavi süreci, yapılan en küçük bir ihmalde hastalığın yeniden nüksünü tetikleyebileceğinden büyük bir özen ve hassasiyet gerektirir. Bütün bu sebeplerden kaynaklı olarak hastalığın teşhisi önem arz etmektedir. Bu tez çalışmasında Şizofreni hastalığının tanı ve teşhis sürecini hızlandırmak için EEG sinyallerinden kişilerin şizofreni olup olmadığının tespit edilmesi amaçlanmaktadır. Bu amaçla, iki uygulama gerçekleştirilmiştir. Uygulamalarda kullanılan veri seti NNCI platformundan alınan uluslararası 10-20 sistemine uygun bir şekilde 16 kanal üzerinden elde edilen EEG sinyallerinden oluşmaktadır. İlk uygulamada; ilgili veri setinde yer alan sinyallerin spektrogram görüntüleri elde edilmiştir. Derin öğrenme mimarileri ve makine öğrenmesi algoritmalarıyla (AlexNet-SVM, AlexNet-KNN, GoogleNet-SVM, GoogleNet-KNN, VGG16-SVM ve VGG16-KNN) hibrit modelleri oluşturulup spektrogram görüntüleri kullanılarak uygulamalar gerçekleştirilmiştir. Her bir kanalın sınıflandırma sonuçlarının başarımları gözlemlenerek en yüksek doğruluk oranının VGG16-SVM modeliyle elde edildiği gözlemlenmiştir. Ek olarak kanallarına ayrılmadan EEG kanallarının tümü üzerinden yapılan sınıflandırmalar aynı hibrit modeller üzerinde gerçekleştirilmiştir. Tüm kanalların bir arada bulunduğu uygulama için en iyi sonucu %99,39 ile AlexNet-KNN hibrit modeli vermiştir. Denenen 6 hibrit modelin sonuçları üzerinde durulup kanal bazlı sınıflandırmanın avantajları üzerinde durulmuştur. Bu tez kapsamında yer alan ikinci bir uygulamada aynı veri seti üzerinden alınan ham EEG verileri LSTM ağı ile birlikte ele alınıp sınıflandırmaya tabi tutulmuştur. LSTM ağı ile gerçekleştirilen sınıflandırma işlemlerinde hem 16 EEG kanalı üzerinden hem de tüm kanalların bir arada bulunduğu veriler üzerinden sınıflandırmalar gerçekleştirilmiştir.