Elektroensefalografi (EEG) sinyallerinin güç spektral yoğunlukları kullanılarak gelişimsel koordinasyon bozukluğunun derin öğrenme modeli ile otomatik tespiti

Authors : Hanife Göker

Pages : 401-412

Doi:10.17341/gazimmfd.1109475

View : 54 | Download : 93

Publication Date : 2024-08-16

Article Type : Research Paper

Abstract :Gelişimsel koordinasyon bozukluğu, günlük aktivite ve akademik performansı önemli ölçüde engelleyen motor ve koordinasyon becerilerinin gelişiminde belirgin bir bozulma ile karakterize nöro-gelişimsel bir hastalıktır. Tıbbi müdahale için erken tanı çok önemlidir. Hastalığın doğru teşhisi kapsamlı testler ve uzun vadeli gözlemler gerektirir. Bu testler ve gözlemler zaman alıcı, pahalı, eksik, yanlış ve sübjektif olabilir. EEG sinyalleri, erken tanıda kullanılan beyin aktivitesini izlemek için kullanılan bir yöntemdir. EEG invaziv olmaması, bulgulara dayalı olması, daha az maliyetli olması ve kısa sürede sonuç alabilmesi gibi avantajları nedeniyle hastalıkların tanısında yaygın olarak kullanılmaktadır. Bu çalışmada EEG sinyallerinden çocuklarda gelişimsel koordinasyon bozukluğunun tespitinde uzmanlara destek olmak amacıyla EEG tabanlı bir derin öğrenme modeli sunulmaktadır. Veriseti 16 gelişimsel koordinasyon bozukluğu olmayan ve 16 gelişimsel koordinasyon bozukluğu olan çocuktan kaydedilen EEG sinyallerinden oluşmaktadır. Öncelikle periodogram, welch ve multitaper spektral analiz yöntemleri kullanılarak EEG sinyallerinin 1-49 hertz arasındaki frekanslarının güç spektral yoğunluk değerleri ayrı ayrı hesaplanmıştır. Üç farklı spektral analiz yöntemlerinin her biri için 49 özellik vektörü çıkarılmıştır. Daha sonra, çıkarılan öznitelik vektörleri kullanılarak destek vektör makinesi (SVM), rastgele orman (RF), k-en yakın komşu (kNN) ve uzun-kısa süreli bellek (LSTM) algoritmalarının performansları karşılaştırılmıştır. Karşılaştırma sonrasında welch spektral analizi ile LSTM derin öğrenme algoritmasını bütünleştiren model, deneyler sonucunda en yüksek performansı göstermiştir. Önerilen derin öğrenme modeli, %97,20 doğruluk, 0,984 duyarlılık, 0.959 özgüllük, 0,962 kesinlik, 0,973 f1-skoru ve 0,944 Matthews korelasyon katsayısı (MCC) değerleri ile umut verici bir performans elde etmiştir. Çalışma EEG sinyallerini analiz ederek otomatik gelişimsel koordinasyon bozukluğunun efektif tanısında derin öğrenme modelinin kullanıldığı nadir bir girişimdir ve geleneksel makine öğrenmesi algoritmalarına göre derin öğrenme algoritmalarının üstünlüğüne dair kanıt sağlamaktadır.
Keywords : Derin öğrenme, gelişimsel koordinasyon bozukluğu, EEG sinyal işleme, spektral analiz, uzun kısa süreli bellek ağları