Mental hastalıkların gerçek zamanlı ve yapay zekâ tabanlı analizi için EEG cihazı tasarımı

Bu çalışma, EEG sinyallerinden faydalanarak altı farklı önemli nörolojik ve nöropsikiyatrik hastalığın özellikle Alzaymır, Depresyon, Epilepsi, Migren, Parkinson ve Şizofreni otomatik olarak tanımlanmasına yönelik bir makine öğrenmesi modeli geliştirmeyi amaçlamıştır. Çalışmanın metodolojik temelini, dikkatli bir ön işleme sürecini takiben EEG verilerinden delta ve teta frekans bantlarına ait zengin bir istatistiksel öznitelik setinin çıkarılması oluşturmaktadır. Elde edilen bu öznitelikler, hastalıklar arasındaki ince biyolojik farklılıkları yakalamak üzere tasarlanmıştır. Çıkarılan özniteliklerin sınıflandırma etkinliğini değerlendirmek amacıyla, üç farklı ve yaygın olarak kullanılan Rastgele Orman (RF), XGBoost ve Çok Katmanlı Algılayıcılar (MLP) yöntemleri uygulanmıştır. Deneysel sonuçlar, kullanılan algoritmalar arasında RF modelinin üstün bir performans sergileyerek %89,47 gibi yüksek bir genel doğruluk oranına ulaştığını göstermiştir; bu başarıyı, XGBoost %82,38 ve MLP %68,19 doğruluk oranlarıyla takip etmiştir. Bu bulgu, özellikle topluluk öğrenmesi yöntemlerinin, karmaşık EEG verilerine dayalı çoklu tanı sistemlerinin geliştirilmesinde, geleneksel tekil veya derin öğrenme modellerine kıyasla güçlü bir alternatif teşkil edebileceğini deneysel olarak kanıtlamaktadır. Sınıf bazlı analizler, modelin sağlıklı kontrol grubu ve Alzaymır hastaları için oldukça yüksek bir sınıflama kesinliği sağladığını ortaya koyarken; Depresyon ve Şizofreni gruplarında hastalıkların nörobiyolojik karmaşıklığı nedeniyle performansın nispeten daha sınırlı kaldığını göstermiştir. Bu çalışma, literatürde genellikle ikili sınıflandırma (sağlıklı vs. hasta) üzerine yoğunlaşan yaklaşımlardan farklı olarak, nörolojik ve psikiyatrik bozuklukların geniş bir yelpazesini ayırt edebilen bütüncül bir makine öğrenmesi çatısı sunmaktadır. Sonuç olarak tez, EEG sinyalleri üzerinden bu tür bozuklukların ayırt edilmesinin mümkün ve güvenilir olduğunu bilimsel olarak kanıtlamakta, klinik tanı süreçlerine destek sağlayabilecek potansiyel bir araç geliştirmektedir.