Unipolar ve bipolar bozuklukların sınıflandırılmasında cordance vecoherence biyobelirteçlerinin makine öğrenme yöntemleri ilekarşılaştırmalı performansları

Abstract

Bu çalışmada Yapay Sinir Ağları ve Genetik Algoritma kullanılarak ham EEG verisinden elde edilmiş olan Kordans (Cordance ) ve Koherans (Coherence) biyobelirteçlerinin Bipolar ve Unipolar bozukluklarını sınıflandırma performansları karşılaştırılmıştır. Bu tez çalışması, Np İstanbul Beyin hastanesinden alınan 58'i Unipolar, 31'i Bipolar teşhisi konmuş toplam 89 retrospektif hasta datası üzerinden gerçekleştirilmiştir. Psikiyatrik bir hastalık olan Bipolar genellikle Unipolar olarak yanlış teşhis edilmekte bu da kötü sonuçlara sebebiyet vermektedir. Unipolar ve Bipolar hastalıkları erken evrelerde ayırt etmek etkili tedaviyi kolaylaştırmaktadır. Bu hastalıkların doğru sınıflandırılmasına katkı sağlamak adına yöntem olarak Yapay Sinir Ağları ve Genetik Algoritma bu tez çalışması için seçilmiştir. Yapay Sinir Ağı ile sınıflandırmada kurulan modelimiz Unipolar (58) ve Bipolar (31) toplamda 89 hastanın ortalamasını %68.49 doğrulukla tespit etmiş olup Yapay Sinir Ağları ile hastalık sınıflandırmasında modelimiz beklenen oranda başarılı olamamıştır. Aynı hasta datası üzerinden kurgulanan Genetik Algoritmalı modelimiz ise toplamda 89 hastanın ortalamasını %82.06 doğrulukla tespit etmiştir. Yapılan çalışmada Genetik Algoritmalı modelimizin Bipolar ve Unipolar hastalıkları ayrı, ayrı ve birlikte sınıflandırmada oldukça başarı olduğu gözlenmiştir. Sonuç olarak her iki yöntemin (Yapay Sinir Ağları ve Genetik Algoritma) birlikte kullanımı, hastalık sınıflandırmasında daha yüksek performansın yakalanması adına önerilmiştir.

In this study, the performance of the biomarkers of Cordance and Coherence which were received out of raw data from EEG by using Artificial Neural Networks and Genetic Algorithm in sorting out Bipolar and Unipolar Disorders were compared. The research of this thesis was done by a retrospective study on the data of diaognised 89 patients, 58 of which are Unipolar and 31 of which are Bipolar at NP Istanbul Brain Hospital. Bipolar Disorder, which is a psychiatric disease, is diaognised wrong as Unipolar Disorder, which leads dreadful results later on. Identifying Unipolar ve Bipolar Diseases from each other at an early phase enables effective treatments. For this study, Artificial Neural Networks and Genetic Algorithm were chosen as methods to contribute to the exact sorting out the diseases. The model that we designed for sorting out the diseases with Artificial Neural Network was able to diaognise Unipolar (58) and Bipolar (31), total 89 patients at %68,49 accuracy, which was behind the expectation, couldn't be successful as much as we expected. On the other hand, the model that we designed with Genetic Algorithm managed to identify the disease of the average of the 89 patients with the same data at %82,06 accuracy. In the study, it is observed that the Genetic Algorithm Model was quite successful in sorting out Bipolar and Unipolar patients, the data of which given separated, both separated and altogether. As a result, the usage of both of the methods together (Artificial Neural Networks and Genetic Algorithm) are recommended to get a higher performance at classification the diseases.