EEG işareti kullanılarak bağımlılığa yatkınlığın makine öğrenmesi teknikleri ile analizi
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
TUBİTAK
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Diagnosis of alcohol dependence with Electroencephalography (EEG) signals is an important issue both personally and society. Today, many people are affected by this addiction. It has physiological effects, especially the brain, heart and immune system, as well as psychological effects. EEG signals are used effectively to observe these effects. In this study, genetic predisposition to alcoholism is diagnosed using EEG signals. Firstly, data analysis was performed on the EEG signal data obtained through the database. Recursive feature selection is used. For the classification, Multilayer Artificial Neural Networks (MLPNN), 1D-Convolutional Neural Networks (CNN), XGBoost Algorithm (XGBA), Random Forest Algorithm (RFA), K-Nearest Neighbor Algorithm (K-NN) are used. It has been studied in Pyhton environment. Accuracy, precision, sensitivity and F1 Score are used for classification performance criteria. Algorithms are compared according to the running time. In terms of classification success, MLPNN and CNN gives the best results. In terms of running time of algorithms, XGBA is the fastest running algorithm.
Alkol bağımlılığının Elektroensefalografi (EEG) sinyalleri ile teşhisi, hem kişisel açıdan hem de toplum açısından önemli bir konudur. Günümüzde birçok insan bu bağımlılıktan etkilenmektedir. Başta beyin, kalp ve bağışıklık sistemi olmak üzere fizyolojik etkileri olduğu gibi, psikolojik etkileri de söz konusudur. Bu etkileri gözlemleyebilmek için EEG sinyalleri etkin bir şekilde kullanılmaktadır. Bu çalışmada, alkolizme yatkınlığın EEG sinyalleri kullanılarak teşhisi yapılmıştır. Veri tabanı aracılığı ile elde edilen EEG sinyal üzerinde öncelikle veri analizi yapılmıştır. Özyinelemeli öznitelik seçimi gerçekleştirilmiştir. Sınıflandırma için Çok Katmanlı Yapay Sinir Ağları (ÇKYSA), Evrişimsel Sinir Ağları (ESA), XGBoost Algoritması (XGBA), Rassal Orman Algoritması (ROA), K-En Yakın Komşu Algoritması (K-EKA) kullanılmıştır. Pyhton ortamında çalışılmıştır. Sınıflandırma başarım ölçütleri için doğruluk, kesinlik, duyarlılık ve F1 Skor kullanılmıştır. Algoritmalar çalışma süreleri açısından karşılaştırılmıştır. Sınıflandırma başarımı açısında ÇKYSA ve ESA en iyi sonuçları vermiştir. Algoritmaların çalışma süreleri açısından bakıldığında XGBA en hızlı çalışan algoritma olduğu görülmüştür.
Alkol bağımlılığının Elektroensefalografi (EEG) sinyalleri ile teşhisi, hem kişisel açıdan hem de toplum açısından önemli bir konudur. Günümüzde birçok insan bu bağımlılıktan etkilenmektedir. Başta beyin, kalp ve bağışıklık sistemi olmak üzere fizyolojik etkileri olduğu gibi, psikolojik etkileri de söz konusudur. Bu etkileri gözlemleyebilmek için EEG sinyalleri etkin bir şekilde kullanılmaktadır. Bu çalışmada, alkolizme yatkınlığın EEG sinyalleri kullanılarak teşhisi yapılmıştır. Veri tabanı aracılığı ile elde edilen EEG sinyal üzerinde öncelikle veri analizi yapılmıştır. Özyinelemeli öznitelik seçimi gerçekleştirilmiştir. Sınıflandırma için Çok Katmanlı Yapay Sinir Ağları (ÇKYSA), Evrişimsel Sinir Ağları (ESA), XGBoost Algoritması (XGBA), Rassal Orman Algoritması (ROA), K-En Yakın Komşu Algoritması (K-EKA) kullanılmıştır. Pyhton ortamında çalışılmıştır. Sınıflandırma başarım ölçütleri için doğruluk, kesinlik, duyarlılık ve F1 Skor kullanılmıştır. Algoritmalar çalışma süreleri açısından karşılaştırılmıştır. Sınıflandırma başarımı açısında ÇKYSA ve ESA en iyi sonuçları vermiştir. Algoritmaların çalışma süreleri açısından bakıldığında XGBA en hızlı çalışan algoritma olduğu görülmüştür.
Açıklama
Anahtar Kelimeler
Elektroensefalografi (EEG), K-Nearest Neighbour, Neural Network, Random Forest Algorithm, XGBoost, Elektroensefalografi (EEG), K-En Yakın Komşu, Rassal Orman Algoritması, XGBoost, Yapay Sinir Ağları
Kaynak
El-Cezeri Journal of Science and Engineering
WoS Q Değeri
Scopus Q Değeri
Q4
Cilt
8
Sayı
1
