Eeg Sinyalleri ve Derin Öğrenme Modelleri Kullanılarak Dikkat Eksikliği ve Hiperaktivite Bozukluğu Tespiti

Abstract

Dikkat eksikliği hiperaktivite bozukluğu (DEHB), çocukluk çağında başlayan, yaygın, komorbid bir nörogelişimsel bozukluktur. Teşhis, karar destek sistemi olmadan, profesyoneller tarafından davranış derecelendirme ölçekleri kullanılarak konulmaktadır. Doğru teşhis ve tedavideki gecikmeler, bu hastalık ile birlikte ortaya çıkan diğer psikiyatrik durumların kötüleşmesine ve sonuç olarak sağlık hizmetlerindeki kullanımın artmasına bağlı maliyete neden olur. Bu nedenle, DEHB tanısında kullanılabilecek potansiyel bir karar destek sistemine ihtiyaç vardır. Bu tez çalışmasında DEHB tanısı bulunan ve sağlıklı çocuklara ait EEG sinyallerinden frekans-zaman yapıları ile derin öğrenme yöntemlerinden biri olan evrişimsel sinir ağları (ESA) kullanılarak DEHB teşhisi için yüksek doğrulukla çalışan farklı tahmin modellerinin incelenmesi ile sübjektif testlere bağımlılığı azaltacak, tanı için hızlı ve başarılı bir karar destek algoritması önermek ve açıklanabilir yapay zeka (YZ) yöntemleri ile zaman-frekans alanındaki gizli bilgilerin DEHB tanısında nasıl bir etkiye sahip olduğunu keşfetmek amaçlanmaktadır. Bu amaçla, veriler bir ön işlemeden geçirilerek gürültülerinden arındırılmış ve zaman-frekans bilgisi sağlayan spektrogram görüntüleri oluşturulmuştur. Tez kapsamında ESA mimarileri AlexNet, GoogleNet, ResNet-50, ve SqueezeNet üzerinde transfer öğrenme çalışılmıştır. İlk aşamada ESA mimarileri kendi sınıflandırıcılarıyla birlikte kullanılmıştır. En başarılı performans %97.78 ile AlexNet mimarisi ile elde edilmiştir. Kanal ve frekans bantlarına ayrılan sinyaller ile beyin bölgelerinin ve frekansların tanıda ayırt ediciliği incelenmiştir. Alfa frekansı ve parietal bölge kanalları tek başına DEHB tahmininde en başarılı bulunmuştur. Gradyan ağırlıklı sınıf aktivasyon haritalama (Grad-CAM) ile görselleştirilerek açıklanabilir bir model elde edilmiştir. Daha sonra aynı ESA mimarileri ile sadece öznitelikler elde edilmiş ve farklı makine öğrenimi algoritmalarıyla performans analizleri gerçekleştirilmiştir. Manuel öznitelikler elde edilip bir önceki aşama ile karşılaştırılmıştır. Sınıflandırma algoritması olarak Karar Ağaçları, Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (k-NN) ve Ensemble yöntemi kullanılmıştır. En başarılı performans AlexNet mimarisinden elde edilen özniteliklerin DVM algoritması ile sınıflandırılması sonucu elde edilmiştir (%98.33). Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen yöntemin DEHB tanısında iyi bir karar destek sistemi olarak kullanılabileceğini göstermektedir.

Attention deficit hyperactivity disorder (ADHD) is a common, comorbid neurodevelopmental disorder that begins in childhood. Diagnosis is made by professionals using behavioral rating scales, without biomarkers. Delays in accurate diagnosis and treatment result in worsening of other psychiatric conditions that co-occur with the disease and, as a result, increased utilization of healthcare services. Therefore, there is a need for potential biomarkers that can be used in the diagnosis of ADHD. In this thesis, it is aimed to propose a decision support algorithm which will reduce the dependence on subjective tests and provide rapid and successful diagnosis by examining different convolutional neural networks (CNN), one of the deep learning methods, that have high accuracy for ADHD diagnosis by using frequency-time features in EEG signals of children diagnosed with ADHD and healthy controls, and to discover how hidden information in the time-frequency domain have an impact on the diagnosis of ADHD by using explainable artificial intelligence (AI) methods. For this purpose, the data was pre-processed and noise was removed, and spectrogram images providing time-frequency information were created. Within the scope of the thesis, transfer learning was studied on CNN architectures AlexNet, GoogleNet, ResNet-50, and SqueezeNet. Firstly, CNN architectures were used with their own classifiers. The most successful performance was achieved with the AlexNet architecture with 97.78%. The signals divided into channels and frequency bands and the distinctiveness of brain regions and frequencies in diagnosis were examined. Alpha subband and parietal region channels were found to be most successful in predicting ADHD by using alone. An explainable model was obtained by visualizing it with gradient-weighted class activation mapping (Grad-CAM). Then, only features were extracted with the same CNN architectures and performance analyzes were carried out with different machine learning algorithms. Manual feature extraction was performed and compared with the previous stage. Decision Trees, Support Vector Machines (SVM), k-Nearest Neighborhood (k-NN) and Ensemble methods were used as classification algorithms. The most successful performance was obtained by classifying the features extracted from the AlexNet architecture with the SVM algorithm (98.33%). The high accuracy findings observed as a result of the study show that the proposed method can be used as a good decision support system in the diagnosis of ADHD.