Alzheimer hastalığının sınıflandırılmasında farklı makine öğrenmesi algoritma performanslarının incelenmesi
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Alzheimer hastalığı, dünya genelinde milyonlarca bireyi etkileyen, ilerleyici ve geri dönüşü olmayan bir nörodejeneratif bozukluktur. Erken tanı, hastalığın ilerlemesini yavaşlatmak, tedavi yaklaşımlarını optimize etmek ve yaşam kalitesini korumak açısından büyük önem taşımaktadır. Bu tez çalışmasında, Alzheimer tanısı konmuş bireylerle sağlıklı kontrol grubuna ait EEG verileri analiz edilmiştir. EEG sinyallerinden dispersiyon entropisi yöntemiyle elde edilen öznitelikler temel alınarak, çeşitli makine öğrenmesi algoritmalarının sınıflandırma performansları karşılaştırılmıştır. Dispersiyon entropisi ve performans hesaplamaları MATLAB R2018a ortamında geliştirilen özel algoritmalar ile gerçekleştirilmiş ve elde edilen öznitelikler K-En Yakın Komşu, Karar Ağaçları ve Rastgele Ormanlar modellerine uygulanmıştır. Modellerin performansları; doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC gibi metriklerle değerlendirilmiş, ayrıca her bir model için 10 katlı çapraz doğrulama ile genelleme yetenekleri test edilmiştir. Elde edilen bulgular, KNN algoritmasının hasta sınıfını ayırt etmekte yetersiz kaldığını ve sınıflar arasında rastgele ayırım yaptığını göstermiştir (AUC: 0.50). Buna karşın, Karar Ağaçları ve özellikle Rastgele Ormanlar algoritması daha dengeli bir sınıflandırma başarısı sunmuş; Rastgele Ormanlar modeli %75 genel doğruluk, %71 çapraz doğrulama başarısı ve 0.80 F1 skoru ile en başarılı sonuçları elde etmiştir. Ayrıca, dispersiyon entropisi analizi sonucunda Alzheimer hastalarının EEG sinyallerinde, özellikle oksipital başta olmak üzere parietal ve temporal bölgelerde entropi düzeylerinin anlamlı biçimde azaldığı tespit edilmiştir. Bu bulgular, DE'nin nörofizyolojik bozulmaları yansıtma kapasitesine sahip olduğunu ve Alzheimer hastalığının erken tanısında potansiyel bir EEG tabanlı biyobelirteç olarak kullanılabileceğini göstermektedir.
Alzheimer's disease is a progressive and irreversible neurodegenerative disorder that affects millions of individuals worldwide. Early diagnosis plays a critical role in slowing disease progression, optimizing treatment approaches, and maintaining quality of life. In this thesis study, EEG data obtained from individuals diagnosed with Alzheimer's disease and healthy control subjects were analyzed. Features extracted from EEG signals using the dispersion entropy method were utilized to compare the classification performance of various machine learning algorithms. Dispersion entropy and performance calculations were conducted using custom algorithms developed in the MATLAB R2018a environment, and the extracted features were applied to K-Nearest Neighbors , Decision Tree , and Random Forest models. The performance of the models was evaluated using metrics such as accuracy, precision, recall, F1 score, and ROC-AUC, and the generalization ability of each model was tested through 10-fold cross-validation. The findings revealed that the KNN algorithm was insufficient in distinguishing the patient class and exhibited random classification between classes (AUC: 0.50). In contrast, the Decision Tree and especially the Random Forest algorithm demonstrated more balanced classification performance; the Random Forest model achieved the highest results with 75% overall accuracy, 71% cross-validation accuracy, and an F1 score of 0.80. Furthermore, the dispersion entropy analysis indicated that entropy levels in the EEG signals of Alzheimer's patients were significantly reduced, particularly in the occipital, as well as parietal and temporal regions. These findings suggest that DE is capable of reflecting neurophysiological impairments and may serve as a potential EEG-based biomarker for the early diagnosis of Alzheimer's disease.
Alzheimer's disease is a progressive and irreversible neurodegenerative disorder that affects millions of individuals worldwide. Early diagnosis plays a critical role in slowing disease progression, optimizing treatment approaches, and maintaining quality of life. In this thesis study, EEG data obtained from individuals diagnosed with Alzheimer's disease and healthy control subjects were analyzed. Features extracted from EEG signals using the dispersion entropy method were utilized to compare the classification performance of various machine learning algorithms. Dispersion entropy and performance calculations were conducted using custom algorithms developed in the MATLAB R2018a environment, and the extracted features were applied to K-Nearest Neighbors , Decision Tree , and Random Forest models. The performance of the models was evaluated using metrics such as accuracy, precision, recall, F1 score, and ROC-AUC, and the generalization ability of each model was tested through 10-fold cross-validation. The findings revealed that the KNN algorithm was insufficient in distinguishing the patient class and exhibited random classification between classes (AUC: 0.50). In contrast, the Decision Tree and especially the Random Forest algorithm demonstrated more balanced classification performance; the Random Forest model achieved the highest results with 75% overall accuracy, 71% cross-validation accuracy, and an F1 score of 0.80. Furthermore, the dispersion entropy analysis indicated that entropy levels in the EEG signals of Alzheimer's patients were significantly reduced, particularly in the occipital, as well as parietal and temporal regions. These findings suggest that DE is capable of reflecting neurophysiological impairments and may serve as a potential EEG-based biomarker for the early diagnosis of Alzheimer's disease.
Açıklama
Anahtar Kelimeler
Biyomühendislik, Bioengineering, Mühendislik Bilimleri
