Alzheimer hastalığında beyin aktivitesinin analizinde permütasyon entropisi ve dispersiyon entropisinin karşılaştırılması: makine öğrenmesi yaklaşımı

Basit Öğe Kaydı
dc.contributor.advisorTosun, Pınar Deniz
dc.contributor.authorKılbahri, Hülya
dc.date.accessioned2025-10-11T20:35:07Z
dc.date.available2025-10-11T20:35:07Z
dc.date.issued2025
dc.departmentDÜ, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractBu tez çalışmasında, Alzheimer hastalığının (AH) erken tanısı için EEG (Elektroensefalografi) verileri üzerinden elde edilen entropi temelli özniteliklerin makine öğrenmesi algoritmaları ile sınıflandırma performansı üzerindeki etkisi araştırılmıştır. Çalışmada kullanılan EEG verileri, 12 Alzheimer hastası ve 11 sağlıklı bireyden elde edilmiş, her bireyden alınan veriler alfa (8–13 Hz) ve beta (13–32 Hz) frekans bantlarına filtrelenmiş ve artefaktlardan arındırılmıştır. Çalışmanın ilk aşamasında, herhangi bir entropik öznitelik çıkarımı yapılmaksızın ham EEG verileri doğrudan sınıflandırma algoritmalarına sunulmuş ve Alzheimer hastaları ile sağlıklı bireyler arasında ayırt edici farklılıkların olup olmadığı incelenmiştir. İkinci aşamada, MATLAB ortamında EEG verileri üzerinden Permütasyon Entropisi (PE) ve Dispersiyon Entropisi (DE) hesaplanarak özellik vektörleri oluşturulmuş ve bu öznitelikler Python ortamında farklı sınıflandırma algoritmalarıyla değerlendirilmiştir. Üçüncü aşamada ise PE ve DE değerlerinin birlikte kullanıldığı çift entropi modeli ile sınıflandırma başarımı analiz edilmiştir. Random Forest, Yapay Sinir Ağı (YSA), Naive Bayes, k-En Yakın Komşu (k-NN) ve Karar Ağaçları olmak üzere beş farklı algoritma uygulanmış ve karşılaştırmalı sonuçlar elde edilmiştir. Genel olarak, çift entropi modelinin YSA algoritması ile birlikte kullanılması, bu çalışmada en yüksek sınıflandırma başarımlarını sağlamıştır. Ayrıca, istatistiksel analizler kapsamında Mann-Whitney U testi, t-testi ve Kruskal-Wallis testleri uygulanmış; özellikle F8, O1, O2, P3 ve P4 bölgelerinde hem PE hem DE açısından anlamlı farklılıklar bulunmuştur (p < 0.001). Elde edilen bulgular, entropi tabanlı EEG analizinin Alzheimer tanısında önemli ve güvenilir bir biyobelirteç potansiyeline sahip olduğunu ortaya koymaktadır. Bu yönüyle çalışma, literatürde özgün ve çok katmanlı bir yaklaşım sunmaktadır. Anahtar Sözcükler: Alzheimer hastalığı, EEG, Entropi, Makine öğrenmesi, Sınıflandırmaen_US
dc.description.abstractIn this thesis study, the impact of entropy-based features derived from EEG (Electroencephalography) data on the classification performance of machine learning algorithms was investigated for the early diagnosis of Alzheimer's disease (AD). The EEG data used in this study were obtained from 12 patients diagnosed with Alzheimer's disease and 11 healthy control subjects. The data from each participant were filtered into the alpha (8–13 Hz) and beta (13–32 Hz) frequency bands and cleaned of artifacts. In the first stage of the study, the raw EEG data were directly fed into classification algorithms without any entropy-based feature extraction to examine whether there were distinguishing differences between Alzheimer's patients and healthy individuals. In the second stage, Permutation Entropy (PE) and Dispersion Entropy (DE) were computed from the EEG signals in the MATLAB environment to construct feature vectors, which were then evaluated using various classification algorithms implemented in Python. In the third stage, the classification performance of a combined entropy model utilizing both PE and DE values was analyzed. Five different algorithms—Random Forest, Artificial Neural Network (ANN), Naive Bayes, k-Nearest Neighbors (k-NN), and Decision Trees—were applied and comparative results were obtained. Overall, the combined entropy model employed with the ANN yielded the highest classification performances in this study. Furthermore, statistical analyses including the Mann-Whitney U test, t-test, and Kruskal-Wallis test were conducted; notably, significant differences were identified in both PE and DE measures particularly at the F8, O1, O2, P3, and P4 regions (p < 0.001). The findings demonstrate that entropy-based EEG analysis holds substantial promise as a robust and reliable biomarker in the diagnosis of Alzheimer's disease. In this respect, the study presents an original and multi-layered approach within the current literature.en_US
dc.identifier.endpage80en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=Xau5rw3KuCgEuy-FuJQtsA_oyswK74LZtmpfXWqBBACikPYDX55gu6UCD-JXN1oZ
dc.identifier.urihttps://hdl.handle.net/20.500.12684/20555
dc.identifier.yoktezid953599en_US
dc.institutionauthorKılbahri, Hülya
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_TEZ_20250911
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.subjectAlzheimer's diseaseen_US
dc.subjectEEGen_US
dc.subjectEntropyen_US
dc.subjectMachine Learningen_US
dc.subjectClassificationen_US
dc.titleAlzheimer hastalığında beyin aktivitesinin analizinde permütasyon entropisi ve dispersiyon entropisinin karşılaştırılması: makine öğrenmesi yaklaşımıen_US
dc.title.alternativeComparison of permutation entropy and dispersion entropy in brain activity analysis of alzheimer's disease: a machine learning approachen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu