Obsesif kompulsif bozukluk ve trikotilomani bozukluklarının uygun biyobelirteç kullanılarak makine öğrenme yöntemleri ile sınıflandırılması

Abstract

Son yıllarda sıklıkla farklı alanlarda kullanılmaya başlanılan yapay zeka teknolojisi,medikal alanda da tercih edilmektedir. Makine öğrenme çalışmaları yükseksınıflandırma özelliği ve az özellik ihtiyacı nedeniyle popülerliğini korumaktadır. Buyöntem sınıflandırma, karşılaştırma, hızlı sonuç verme ve düşük hata oranları ile zamangeçtikçe kendini güncelleyen bir teknoloji alanı haline gelmiştir. Yapay sinir ağlarıhedeflenen sonuçlara daha az iş yükü ve kolaylıkla ulaşmayı sağlarken, özellik seçimide hastalıkların esas ayırt edici özelliklerini ön plana çıkararak, daha az ayırt ediciözellikleri saf dışı bırakmaktadır. Erken tanı koyma, doğru tanı sonrası doğru tedavininuygulanması her daim tüm insanlığın beklentisi olmuştur. Teknolojiler geliştikçe tanıyöntemlerinin de gelişmesi ile makine öğrenme medikal alanda ilgi görmeyebaşlamıştır. Kantitaif Elektroensefalografi (QEEG)' nin psikiyatri ve nöroloji alanındabiyobelirteç olarak kullanılması, EEG (Elektroensefelagrafi)'nin son zamanlarda kikullanımını arttırmıştır.Bu çalışma da Obsesif Kompulsif Bozukluk (OKB) ve Trikotilomani (TTM)hastalıklarının tanı koyma sürecinde yapay zeka teknolojilerinden makine öğrenmeyöntemleri kullanılarak sınıflandırma çalışmaları yapılmıştır. Özellik seçimi için genetikalgoritma, yapay sinir ağları ve çarpraz doğrulama yaklaşımının dikkat çekiciperformansı beyin frekans dalgalarından seçilen özellikleri kullanılarak, yaşları 18 ile61 arasında değişen 39 Obsesif Kompulsif Bozukluk ve 40 Trikotilomani hastasını %80doğruluk oranıyla ayırt etmenin mümkün olduğunu göstermiştir.Anahtar Kelimeler: Obsesif kompulsif bozukluk, Trikotilomani, Makine öğrenme,Yapay zeka, Yapay sinir ağları, Genetik algoritma

In recent years, artificial intelligence technology, which has been used frequentlyin different areas, is preferred in medical field. Machine learning studies arepopular due to their high classification and low specification. This method hasbecome a field of technology to update itself with time, grading, comparison,rapid results and low error rates. Artificial neural networks provide less workloadand ease of access to targeted results, while feature selection eliminates lessdistinctive features, highlighting the main distinguishing features of diseases.Early diagnosis, correct treatment after correct diagnosis has always been theexpectation of all humanity. With the development of technologies as thetechnologies evolved, machine learning started to attract attention in the medicalfield. The use of quantitative electroencephalography (EEG) as a biomarker in thefield of psychiatry and neurology has increased the recent use of EEG. In thisstudy, classification studies were made by using machine learning methods fromartificial intelligence technologies in the diagnosis process of ObsessiveCompulsive Disorder and Trichotillomania diseases. The genetic algorithm for theselection of features, the remarkable performance of artificial neural networks andcross-validation approach, has shown that it is possible to distinguish 39 patientswith obsessive compulsive disorder and 40 trichotillomania, ranging from 18 to61 years of age, with the accuracy rate of %80, using the characteristics of brainfrequency waves.Keywords: Obsessive compulsive disorder, Trichotillomania, Machine learning,Artificial intelligence, Artificial neural networks, Genetic algorithm