Search

WOS:000750773800003 Psychotic disorders are mental disorders that negatively affect human life. Diagnosis of psychotic patients is usually done in consultation with the patient, and this is a time-consuming process. In this study, a Computer Aided Diagnosis (CAD) system that will support expert opinion with automatic diagnosis of schizophrenia (SZ) disease, which is the leading psychotic disorder, is presented. In this study, Hilbert Huang Transform (HHT) method was used to analyze the non-stationary and non-periodic structure of EEG (Electroencephalograph) signals in the best way. The data set we used in our study includes 19-channel EEG signals from 28 (14 SZ and 14 healthy controls) participants, and the second data set includes 16-channel EEG signals from 84 (45 SZ and 39 healthy controls) participants. First of all, HS (Hilbert Spectrum) images of the first four Intrinsic Mode Functions (IMF) components obtained by applying Empirical Mode Decomposition (EMD) to EEG signals were created. These images were then classified with the VGG16 pre-trained Convolutional Neural Network (CNN) network. With our proposed method, the highest classification performance was obtained as 98.2% for Dataset I and 96.02% for Dataset II, respectively, by training the HS images obtained from the IMF 1 component with the VGG16 pre-trained CNN network. In the next step, classification performances were tested with VGG16, XCeption, DenseNet121, ResNet152 and Inception V3 pre-trained CNN networks. The high classification success achieved by the proposed method in our study demonstrates the accuracy of the model in distinguishing between SZ and healthy control.

Bu çalışma, migren hastalığını (MH) Elektroensefalogram (EEG) verisi kullanarak otomatik olarak teşhisini gerçekleştirmek amacıyla bir bilgisayar destekli tanı sistemi sunmaktadır. Ayrıca önerilen yöntemin farklı ayrıştırma yöntemleri ile test edilerek karşılaştırmalı analizi gerçekleştirilmiştir. EEG sinyalleri Çok Ölçekli Temel Bileşen Analizi (MSPCA) uygulanarak var olan gürültüler giderildikten sonra, Ayarlanabilir Q Faktör Dalgacık Dönüşümü (TQWT), Ampirik Mod Ayrıştırma (EMD) ve Ampirik Dalgacık Dönüşümü (EWT) ayrıştırma yöntemleri ile içsel mod fonksiyonları (IMF) bileşenlerine ayrılmıştır. Her bir IMF bileşeninden istatistiksel özellikler hesaplanarak özellik çıkarım işlemi gerçekleştirilmiştir. Sınıflandırma performansları, her bir IMF bileşeninin özellikleri, Rastgele Orman algoritması ile sınıflandırılarak test edilmiştir. En yüksek sınıflandırma doğruluğu IMF1 ve IMF2 bileşenlerinden elde edilmiştir. IMF1 bileşenine ait özelliklerin Rastgele Orman algoritması ile sınıflandırılmasıyla TQWT için 88.9%, EMD için 92.47% ve EWT için 81.41% sınıflandırma başarımı elde edilmiştir. Bu çalışmada gerçekleştirilen deneysel çalışmalar da EMD ayrıştırma yöntemi karşılaştırılan diğer yöntemlere göre MH ve sağlıklı kontrol deneklerin ayırt edilmesinde iyi bir performans sergilediği gözlemlenmiştir.

Günümüzde pek çok çalışma, elektroensefalogram (EEG) verisi inceleyerek beyin aktivitelerini tespit etme, anlama veya yorumlama amacıyla yapılmış ve çeşitli sonuçlar ortaya konulmuştur. Beyin aktivitelerinin anlaşılması, şizofreni ve epilepsi gibi pek çok hastalığın teşhisi, uyku evreleri gibi farklı durumların veya hastalıkların çözümlenmesi için önemli bir adımdır. Dolayısıyla bu yöndeki çalışmaların sonuçlarının iyileştirilmesi veya bir adım öteye götürülmesi için yeni modeller ortaya konulması oldukça kritik bir öneme sahiptir. Bu tez çalışmasında, ilk olarak literatürde önceden yapılmış, klasik makine öğrenme algoritmalarıyla sınıflandırılmış EEG verilerinden elde edilen analizlere göre başarımı daha yüksek metotlar ortaya konulması hedeflenmektedir. İkinci aşamada ise EEG verileri derin öğrenme metotlarıyla incelenerek özellik çıkarımı yapılmadan daha yüksek başarım ile sınıflandırma yapılması ve şizofreni (SZ) hastaları ile sağlıklı bireyler arasındaki farklılığın yorumlanabilir görüntüler olarak tasvir edilmesi amaçlanmıştır. Bu tez çalışmasında, EEG sinyalleri kullanılaılarak veri analiz yöntemleriyle beyin aktivitelerinin incelenmesi amaçlanmıştır. Bu amaç doğrultusunda özellikle SZ hastalarına ait EEG kayıtları hem klasik makine öğrenmesi algoritmalarıyla hemde derin öğreme algoritması kullanılarak sınıflandırılmıştır. Bu çalışmada SZ hastalarına ait farklı iki veri seti kullanılarak uygulanan metotların doğruluğu teyit edilmiştir. İlk veri kümesinde(Veri seti A) 39 sağlıklı çocuk ve 45 SZ hastalığı olan 16 kanallı EEG kaydı bulunmaktadır. İkinci veri seti (Veri seti B) ise 28 yetişkinin (14 kontrol ve 14 SZ hastası) 19 kanallı EEG kayıtları içermektedir. Literatürde özellikle klasik makine öğrenme algoritmaları SZ hastalarının sınıflandırılmasında yaygın olarak kullanılmıştır. Ancak bu tez çalışmasının ilk aşamasında farklı özellik çıkarım ve özellik seçim metotları kullanılarak daha iyi sınıflandırma başarım sonuçları elde edilmiştir. Bunun yanısıra farklı sınıflandırma algoritmalarıyla elde edilen başarım sonuçları karşılaştırılmıştır. Tez çalışmasının ikinci aşamasında derin öğrenme algoritmalarıyla, SZ hastalarını EEG kayıtlarını kullanarak otomatik olarak teşhis etmeyi amaçlayan bir yöntem sunulan bir çalışma yapılmıştır. Birçok literatür çalışmasından farklı olarak, önerilen yöntem EEG kayıtlarındaki özellikleri manuel olarak çıkarmak yerine frekans-zaman özelliklerinin yararlı bir temsiline sahip olmak için Kısa Zamanlı Dalgacık Dönüşümü (KZDD) ve Sürekli Dalgacık Dönüşümü(SDD) kullanarak ham EEG'yi iki boyuta dönüştürür. Bu çalışma, ilgili literatürde SZ hastalarının otomatik teşhisi için 2D zaman frekansı özelliklerinin kullanılmasında ilktir. 2D alanda mevcut olan tüm özelliklerden en kullanışlı özellikleri çıkarmak ve örnekleri yüksek doğrulukla sınıflandırmak için, son teknoloji bir Evrişimsel Sinir Ağı (ESA) mimarisini kullanan VGG-16 algoritması ile eğitilmiştir. Farklı ESA algoritmaları (CIFAR, VGG-19, ResNet, DenseNet, MobileNet, Xception … gibi ) ile de sonuçlar denenmiş ancak en az iterasyon ve sürede, en iyi başarım değeri VGG-16 ile elde edilmiştir. Deneysel sonuçlar, sunulan yöntemin farklı yaş gruplarının iki veri kümesinde SZ hastalarını ve sağlıklı kontrolleri, spektrogram görüntülerini % 95 ve % 97, skalogram görüntülerini % 98 ve % 99.5 sınıflandırma doğruluğu ile sınıflandırma görevinde başarılı olduğunu göstermektedir. Bu performansla, önerilen yöntem literatür yöntemlerinin çoğundan daha iyi performans gösterir. Çalışmanın deneyleri ayrıca bir EEG kaydının frekans bileşenleri ile SZ hastalığı arasında bir ilişki olduğunu ortaya koymaktadır. Ayrıca, tez çalışmamızda sunulan Aktivasyon Maksimizasyonu, Grad-CAM ve Belirginlik Haritası yöntemleriyle bir SZ hastasını sağlıklı bir kontrolden ayırırken yorumlanabilir görüntüler elde edilmesi sağlanmıştır. Bu görüntüler ile uzman görüşüne destek niteliğinde SZ hastası ve sağlıklı kontroller arasındaki fark kolayca anlaşılabilir. Today, many studies have been conducted to detect, understand or interpret brain activities by examining electroencephalogram (EEG) data, ve various results have been presented. Understanding brain activity is an important step in diagnosing many diseases such as schizophrenia ve epilepsy, ve resolving different conditions or diseases such as sleep stages. Therefore, it is of critical importance to develop new models in order to improve the results of such studies or to take them one step further. In this thesis, firstly, it is aimed to reveal methods with higher performance compared to the analyzes obtained from EEG data classified with classical machine learning algorithms, which were previously made in the literature. In the second stage, it was aimed to make classification with higher performance without extracting features by examining the EEG data with deep learning methods ve to depict the difference between schizophrenia (SZ) patients ve healthy individuals visually. In this thesis, it was aimed to examine brain activities by using data analysis methods using EEG signals. For this purpose, EEG records of especially SZ patients were classified using both classical machine learning algorithms ve deep learning algorithms. In this study, the accuracy of the methods applied using two different datasets of SZ patients was confirmed. In the first dataset (Data set A), there are 39 healthy children ve a 16-channel EEG record with 45 SZ diseases. The second dataset (Data set B) contains 19-channel EEG recordings of 28 adults (14 control ve 14 SZ patients). In the literature, especially classical machine learning algorithms have been widely used in the classification of SZ patients. However, at the first stage of this thesis, better classification performance results were obtained by using different feature extraction ve feature selection methods. In addition, the performance results obtained with different classification algorithms were compared. VII In the second stage of the thesis, a study was conducted with deep learning algorithms, in which a method aiming to automatically diagnose SZ patients using EEG records was conducted. Unlike many literature studies, the proposed method converts raw EEG to 2D using Short Time Wavelet Transform (STFT) ve Continuous Wavelet Transform (CWT) to have a useful representation of frequency-time properties rather than manually extracting features in EEG recordings. This study is the first to use 2D time frequency properties for automatic diagnosis of SZ patients in the relevant literature. It has been trained with the VGG-16 algorithm, which uses a state-of-the-art Convolution Neural Network (CNN) architecture to extract the most useful features from all the features available in the 2D space ve to classify samples with high accuracy. The results were also tested with different CNN algorithms (such as CIFAR, VGG-19, ResNet, DenseNet, MobileNet, Xception…), but the best performance value was obtained with VGG-16 with the least iteration ve time. The experimental results show that the presented method is successful in classifying SZ patients ve healthy controls in two datasets of different age groups, spectrogram images with 95% ve 97%, ve scalogram images with 98% ve 99.5% classification accuracy. With this performance, the proposed method outperforms most literature methods. The experiments of the study also reveal a relationship between the frequency components of an EEG recording ve SZ disease. In addition, with the AktivizationMaximization, Grad-CAM ve Saliency Map methods presented in our thesis, interpretable images were obtained while separating an SZ patient from a healthy control. With these images, the difference between SZ patients and healthy controls, which support the expert opinion, can be easily understood.

Deep Learning algorithms have recently been reported to be successful in the analysis of images and voice. These algorithms, specifically Convolutional Neural Network (CNN), have also proven themselves to be highly promising on images produced by medical imaging technologies, as well. By use of deep learning algorithms, researchers have accomplished several tasks in this field including image classification, object and lesion detection and segmentation of different tissues in a medical image. Researchers mostly focused on medical images of neurons, retina, lungs, digital pathology, breast, heart, abdomen and skeleton system to take advantage of the Deep Learning approach. This study reviews literature studies of recent years that utilized Deep Learning algorithms on medical images in order to present a general picture of the relevant literature.

The task of performing speakerrecognition over voice recordings is an active research area in the relevantliterature in which many applications has been proposed so far. In this study, speaker recognition isperformed over cepstral features extracted from raw voice recordings. Some ofthe most prominent cepstral feature selection methods, namely, LPC, LPCC, MFCC, PLP andRASTA-PLP are utilized and their contribution to the performance of theapplied method is investigated. Obtainedfeatures are handled by SVM classification algorithm to finalize the speakerrecognition task. As a result, it is observedthat cepstral feature selection methods suchas LPCC and MFCC combined with SVM classification resultin around 97% accuracy.

WOS:000534608100009 This study presents a method that aims to automatically diagnose Schizophrenia (SZ) patients by using EEG recordings. Unlike many literature studies, the proposed method does not manually extract features from EEG recordings, instead it transforms the raw EEG into 2D by using Short-time Fourier Transform (STFT) in order to have a useful representation of frequency-time features. This work is the first in the relevant literature in using 2D time-frequency features for the purpose of automatic diagnosis of SZ patients. In order to extract most useful features out of all present in the 2D space and classify samples with high accuracy, a state-of-art Convolutional Neural Network architecture, namely VGG-16, is trained. The experimental results show that the method presented in the paper is successful in the task of classifying SZ patients and healthy controls with a classification accuracy of 95% and 97% in two datasets of different age groups. With this performance, the proposed method outperforms most of the literature methods. The experiments of the study also reveal that there is a relationship between frequency components of an EEG recording and the SZ disease. Moreover, Grad-CAM images presented in the paper clearly show that mid-level frequency components matter more while discriminating a SZ patient from a healthy control