Makine Öğrenme Yöntemleri İle Eeg Sinyalinden Alzheimer Tespiti

Abstract

Alzheimer hastalığı (AH) geri dönüşümü mümkün olmayan, insan yaşamını olumsuz yönde etkileyen bilişsel, nörolojik ve davranışsal işlevlerin ilerleyici kaybı olan bir tür nörodejeneratif hastalıktır. AH tanısı uzun süren test ve muayene sonuçlarının deneyimli profesyonellerce yorumlanmasıyla yapılır. Tedavisi mümkün olmayan hastalığın tanı aşamasının uzun sürmesi bilişsel, nörolojik ve davranışsal işlevlerin kaybının artmasına sebep olmaktadır. Dolayısı ile tanı sürecinin kısalması ile tedavi sürecinin başlaması hastalığın ilerleyişinin yavaşlatılmasına büyük katkı sağlamaktadır. AH tanısında sıklıkla kullanılan noninvaziv bir yöntem olan Elektroensefalogram (EEG), zaman ve maliyet açısından beyin sinyallerini elde etmenin en etkili yöntemlerinden biridir. AH'nın EEG sinyallerinde değişikliklere sebep olduğu ve bu değişikliklerin AH tanısında ayırt edici özellikler olarak kullanıldığı bilinmektedir. Bu tez çalışmasında kayıpların en aza indirgenmesi için EEG sinyallerinden AH tanısı makine öğrenimi (MÖ) ile gerçekleştirilmiştir. Gerçekleştirilen çalışmada Halı 36 kişi, Frontotemporal Demans (FTD) hastası 23 kişi ve sağlıklı 29 kişinin 19 kanaldan alınan EEG sinyalleri %50 örtüşme ile 30 saniyelik epoklara ayrılmıştır. Her bir sinyalin zaman alanından spektral alana geçişi Welch metodu kullanılarak gerçekleştirilmiştir. 0.5-45 Hz aralığında Welch Spektral analizi ile Güç Spektral Yoğunluğu (GSY) elde edilen sinyallerin her bir kanalından 18 adet istatistiksel ve spektral öznitelik çıkarımı yapılmış ve toplamda 342 öznitelikten oluşan öznitelik vektörü oluşturulmuştur. Spearman ve Pearson korelasyon katsayısı yöntemleri ile her özniteliğin etiket ile korelasyon ilişkisine bakılmış ve en iyi korelasyon yöntemi belirlenerek, eşik değerine göre öznitelik seçimi yapılarak yeni öznitelik vektörü oluşturulmuştur. Öznitelik vektörünün %70'i eğitim, %30'u ise test için ayrılmıştır. Eğitim verileri MÖ yöntemlerinden Destek Vektör Makineleri (DVM) ve k-En Yakın Komşu (k-EYK) algoritmaları kullanılarak 10 kat çapraz doğrulama ile eğitilmiştir. DVM ve k-EYK algoritmalarının hiperparametreleri Bayes optimizasyon yaklaşımı ile belirlenmiştir. Eğitilen modeller test için ayrılan %30'luk veri ile test edilmiş ve sonuçlar doğruluk, duyarlılık, özgüllük, hassasiyet ve F-Skor değerlerine göre karşılaştırılmıştır. AH tanısında en iyi doğruluk oranı %95.65 ile DVM algoritmasının 136 öznitelikten oluşan öznitelik vektörüne uygulanması ile elde edilmiştir.Alzheimer's disease (AD) is an irreversible neurodegenerative disease with progressive loss of cognitive, neurological and behavioral functions that negatively affects human life. The diagnosis of AD is based on the interpretation of long-lasting test and examination results by experienced professionals. The prolonged diagnosis of this incurable disease leads to increased loss of cognitive, neurological and behavioral functions. Therefore, shortening the diagnostic process and starting the treatment process contribute greatly to slowing the progression of the disease. Electroencephalogram (EEG), a noninvasive method frequently used in the diagnosis of AD, is one of the most effective methods of obtaining brain signals in terms of time and cost. It is known that AD causes changes in EEG signals and these changes are used as distinguishing features in the diagnosis of AD. In this thesis, AH diagnosis from EEG signals was performed with machine learning (ML) in order to minimize losses. In the study, EEG signals from 19 channels of 36 people with AD, 23 people with Frontotemporal Dementia (FTD) and 29 healthy people were divided into 30second epochs with 50% overlap. The transition of each signal from the time domain to the spectral domain was performed using the Welch method. 18 statistical and spectral features were extracted from each channel of the signals whose Power Spectral Density (PSD) was obtained by Welch Spectral analysis in the range of 0.5-45 Hz and a feature vector consisting of 342 features in total was created. Spearman and Pearson correlation coefficient methods were used to correlate each feature with the label and the best correlation method was determined and a new feature vector was created by selecting features according to the threshold value. 70% of the feature vector was allocated for training and 30% for testing. The training data were trained using Support Vector Machines (SVM) and k-Nearest Neighbor (kNN) algorithms with 10-fold cross validation. The hyperparameters of SVM and kNN algorithms were determined by Bayesian optimization approach. The trained models were tested with 30% of the data allocated for testing and the results were compared according to accuracy, sensitivity, specificity, precision and F-Score values. The best accuracy rate of 95.65% in AD diagnosis was obtained by applying the SVM algorithm to a feature vector of 136 features.