Modern medicine has a challenge in gathering, evaluating, and applying the vast
amount of knowledge needed to address challenging clinical issues. The
development of AI systems for medical applications has been linked to the
development of medical AI. They are made to aid the physician in making a
diagnosis, selecting a course of treatment, and anticipating results. Artificial Neural
Networks (ANNs), fuzzy expert systems, evolutionary computation, and hybrid
intelligent systems are some examples of such systems.
By processing EEG signals through two-dimensional colored picture transforms with
GASF, the study aims to give early identification for Attention Deficit Hyperactivity
Disorder (ADHD), one of the most prevalent neurobehavioral diseases. The EEG
DATA FOR ADHD / CONTROL CHILDREN dataset of kids with ADHD disorder
provided the EEG data.
ADHD is a hotly debated topic among medical professionals who contend that the
condition is underdiagnosed and that many kids go undiagnosed. Therefore, it is
crucial to bring such topic up and to find ways to help in easing the diagnosis
procedure of this disease.
In this master's thesis, the 2D colored image data was trained and tested using the
AlexNet deep learning model. Alexnet is an eight-layer Convolutional Neural
Network (CNN) model. The main objective is to motivate researchers in medical
image interpretation to extensively rely on CNNs in their analysis and diagnosis. In
the database, mentioned above, 16 channels were used. Among those 7 channels
were used and those are Fp1, Fp2, F3, Fz, F4, P3, and P4.
Selected channels' GASF pictures were utilized to train the AlexNet model. For
training and testing, the generated model achieved accuracy of 99% and 71.7%,
respectively.
ÖZ:
Modern tıp, zorlu klinik sorunları ele almak için gereken büyük miktarda bilgiyi
toplamak, değerlendirmek ve uygulamakta zorlanmaktadır. Tıbbi uygulamalar için
YZ sistemlerinin geliştirilmesi, tıbbi YZ'nin geliştirilmesiyle bağlantılıdır. Bu
sistemler, hekimin teşhis koymasına, bir tedavi yöntemi seçmesine ve sonuçları
tahmin etmesine yardımcı olmak için üretilmiştir. Yapay Sinir Ağları (YSA'lar),
bulanık uzman sistemler, evrimsel hesaplama ve hibrit akıllı sistemler bu tür
sistemlerin bazı örnekleridir.
Çalışma, EEG sinyallerini GASF ile iki boyutlu renkli resim dönüşümleri aracılığıyla
işleyerek, en yaygın nöro-davranışsal hastalıklardan biri olan Dikkat Eksikliği
Hiperaktivite Bozukluğu (DEHB) için erken teşhis sağlamayı amaçlamaktadır.
DEHB / KONTROL ÇOCUKLARI İÇİN EEG VERİLERİ DEHB bozukluğu olan
çocukların EEG verilerini sağlamıştır.
DEHB, bu hastalığın yeterince teşhis edilmediğini ve birçok çocuğa tanı
konulmadığını iddia eden tıp uzmanları arasında tartışılan bir konudur. Bu nedenle,
bu konuyu gündeme getirmek ve bu hastalığın teşhis prosedürünü kolaylaştırmaya
yardımcı olacak yollar bulmak çok önemlidir.
Bu yüksek lisans tezinde, 2D renkli görüntü verileri AlexNet derin öğrenme modeli
kullanılarak eğitilmiş ve test edilmiştir. Alexnet sekiz katmanlı bir Evrişimsel Sinir
Ağı (CNN) modelidir. Temel amaç, tıbbi görüntü yorumlama alanındaki
araştırmacıları, analiz ve teşhislerinde CNN'lere geniş ölçüde güvenmeye motive
etmektir. Yukarıda bahsedilen veritabanında 16 kanal kullanılmıştır. Bunların
arasında 7 kanal kullanılmıştır ve bunlar Fp1, Fp2, F3, Fz, F4, P3 ve P4'tür.
Seçilen kanalların GASF resimleri AlexNet modelini eğitmek için kullanılmıştır.
Eğitim ve test için, oluşturulan model sırasıyla %99 ve %70 doğruluk elde etmiştir.
