Opioid kullanım bozukluğu ve sağlıklı kontrol gruplarının sınıflandırılmasında QEEG tabanlı biyobelirteç ile makine öğrenme yöntemleri kullanılarak retrospektif olarak sınıflandırılması

Abstract

Bu çalışmada makine öğrenme yöntemleri ile ham EEG verisinden elde edilmiş olan biyobelirteçleri kullanarak, opioid kullanım bozukluğu sınıflandırma performansları karşılaştırılmıştır. Çalışmada, 75 kişilik opioid madde kullanım bozukluğu teşhisi alan ve 59 kişilik sağlıklı kontrol grubu olarak 2 deney grubu oluşturulmuştur. Kantitatif elektroansefalografi (QEEG) her elektrotun mutlak güç değeri, theta ve beta olmak üzere iki frekans bandı için hesaplanmıştır. Elde edilen verilerden ilgili frekans bandı veya elektrotlardan daha fazla sınıflandırma performansına katkıda bulunacak girişlerin seçilmesi için genetik algoritma kullanılmıştır. Veri analizi; makine öğrenme yöntemleri ve optimizasyon algoritmalarının kullanılacağı RapidMiner isimli program üzerinden gerçekleştirilmiştir.Çalışma sonunda elde edilen sonuçlar ile psikiyatrik hastalıkların sınıflandırmalarında, makine öğrenme yöntemlerinin ne kadar etkin olduğunu veya öngörü becerisi gösterilmiştir. Bu sayede, farklı psikiyatrik hastalıkların sınıflandırmalarında veya farklı biyobelirteçlerin performanslarını karşılaştırmada kullanabileceğimiz bir simülasyon programı geliştirilmiştir. Klinik verilerin yorumlanmasında ve kliniksellerin tanı süreçlerinde faydalı olacağını düşündüğümüz yazılımın geliştirilmesi ile derin öğrenme tabanlı ve yüksek çözünürlüklü nörogörüntüleme verilerinin de hastalık sınıflandırmasında kullanılabileceği bir uygulama ortaya konulmuştur.

In this study, opiod use disorder classficiation performances were compared with biomarkers obtained from raw EEG data by using learning machine methods.Two experimental groups will be introduced. The experimental groups were formed, of which 75 were diagnosed with opioid use and 59 were healthy (control) subjects. The absolute power value of each electrode of quantitative qeeg was calculated with two frequency bands, theta and beta. A genetic algorithm was used to select inputs that would contribute to the elimination performance of the electrodes in the respective frequency band. Data analysis was performed through RapidMiner program to use machine learning methods and optimization algorithm.As a result, this study showed how effective as well as predictive and foreseeable skills in classifying psychiatric diseases can be demonstrated thanks to machine learning methods. With this, a new simulation program has been developed which can be used in the classification of different psychiatric diseases or performance comparisons of different biomarkers. It is an application that can be used to interpret clinical data and develop software that clinicians think will be useful in the diagnosis process and to classify high-resolution neurotoxicity data based on deep learning.