EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi

Zülfikar Aslan

doi:10.24012/dumf.1092569

EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi

Abstract

Alzheimer beyindeki bozulmalardan kaynaklı bilişsel ve davranışsal eksiklikler gibi semptomlarla kendini gösteren önemli bir nörolojik hastalıktır. Alzheimer hastalığının kesin bir tedavi yöntemi bulunmamaktadır. Ancak hastalığın erken teşhisi ile hastalığın ilerlemesinin yavaşlatılması amaçlanmaktadır. Bu durum hastanın yaşam standartlarının korunmasında önem arz etmektedir. Ayrıca hastalığın tam olarak teşhisi deneyimli bir uzman tarafından değerlendirilecek olan maliyetli testler ve yorucu bir teşhis aşaması gerektirmektedir. Bu motivasyonla önerilen yöntemle Alzheimer hastalığının EEG sinyallerinden otomatik olarak gerçekleştirilmesini amaçlayan yeni bir bilgisayar destekli tanı sistemi sunulmaktadır. Sunulan çalışmada öncelikle ham EEG verilerine önişlem uygulanarak var olan gürültüler giderilmiştir. Sonraki aşamada ise her bir kanaldan alınan verilere dalgacık dönüşümü uygulandıktan sonra istatistiksel özellikler hesaplanmıştır. Elde edilen özelliklerin k-en yakın komşu (kNN) sınıflandırıcısı ile sınıflandırılmasıyla sağlıklı katılımcılar ile Alzheimer hastası katılımcılar 91.12% doğrulukla ayırt edilmiştir.

Keywords

References

[1] V. Bairagi, “EEG signal analysis for early diagnosis of Alzheimer disease using spectral and wavelet based features,” Int. J. Inf. Technol., vol. 10, no. 3, pp. 403–412, 2018.
[2] L. R. Trambaiolli, N. Spolaôr, A. C. Lorena, R. Anghinah, and J. R. Sato, “Feature selection before EEG classification supports the diagnosis of Alzheimer’s disease,” Clin. Neurophysiol., vol. 128, no. 10, pp. 2058–2067, 2017.
[3] R. H. Blank, “Alzheimer’s Disease and Other Dementias: An Introduction,” in Social \& Public Policy of Alzheimer’s Disease in the United States, Springer, 2019, pp. 1–26.
[4] N. N. Kulkarni and V. K. Bairagi, “Extracting salient features for EEG-based diagnosis of Alzheimer’s disease using support vector machine classifier,” IETE J. Res., vol. 63, no. 1, pp. 11–22, 2017.
[5] S. J. Ruiz-Gómez et al., “Automated multiclass classification of spontaneous EEG activity in Alzheimer’s disease and mild cognitive impairment,” Entropy, vol. 20, no. 1, p. 35, 2018.
[6] J. P. Amezquita-Sanchez, N. Mammone, F. C. Morabito, S. Marino, and H. Adeli, “A novel methodology for automated differential diagnosis of mild cognitive impairment and the Alzheimer’s disease using EEG signals,” J. Neurosci. Methods, vol. 322, pp. 88–95, 2019.
[7] N. Kulkarni, “Use of complexity based features in diagnosis of mild Alzheimer disease using EEG signals,” Int. J. Inf. Technol., vol. 10, no. 1, pp. 59–64, 2018.
[8] K. D. Tzimourta et al., “EEG window length evaluation for the detection of Alzheimer’s disease over different brain regions,” Brain Sci., vol. 9, no. 4, p. 81, 2019.

[9] M. S. Safi and S. M. M. Safi, “Early detection of Alzheimer’s disease from EEG signals using Hjorth parameters,” Biomed. Signal Process. Control, vol. 65, p. 102338, 2021.
[10] U. Orhan, M. Hekim, and M. Ozer, “EEG signals classification using the K-means clustering and a multilayer perceptron neural network model,” Expert Syst. Appl., vol. 38, no. 10, pp. 13475–13481, 2011.
[11] B. Hjorth, “EEG analysis based on time domain properties,” Electroencephalogr. Clin. Neurophysiol., vol. 29, no. 3, pp. 306–310, 1970.
[12] A. M. Pineda, F. M. Ramos, L. E. Betting, and A. S. L. O. Campanharo, “Quantile graphs for EEG-based diagnosis of Alzheimer’s disease,” PLoS One, vol. 15, no. 6, p. e0231169, 2020.
[13] B. R. Bakshi, “Multiscale PCA with application to multivariate statistical process monitoring,” AIChE J., vol. 44, no. 7, pp. 1596–1610, 1998.
[14] P. Jahankhani, V. Kodogiannis, and K. Revett, “EEG signal classification using wavelet feature extraction and neural networks,” in IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing (JVA’06), 2006, pp. 120–124.
[15] H. U. Amin et al., “Feature extraction and classification for EEG signals using wavelet transform and machine learning techniques,” Australas. Phys. \& Eng. Sci. Med., vol. 38, no. 1, pp. 139–149, 2015.
[16] R. C. Gonzalez, Digital image processing. Pearson education india, 2009.
[17] N. S. Altman, “An introduction to kernel and nearest-neighbor nonparametric regression,” Am. Stat., vol. 46, no. 3, pp. 175–185, 1992.
[18] W. H. Organization and others, Dementia: a public health priority. World Health Organization, 2012.
[19] J. Jeong, “EEG dynamics in patients with Alzheimer’s disease,” Clin. Neurophysiol., vol. 115, no. 7, pp. 1490–1505, 2004.
[20] C. Patterson and others, “World alzheimer report 2018,” 2018.
[21] J. Dauwels, F. Vialatte, and A. Cichocki, “Diagnosis of Alzheimer’s disease from EEG signals: where are we standing?,” Curr. Alzheimer Res., vol. 7, no. 6, pp. 487–505, 2010.
[22] A. Alberdi, A. Aztiria, and A. Basarab, “On the early diagnosis of Alzheimer’s Disease from multimodal signals: A survey,” Artif. Intell. Med., vol. 71, pp. 1–29, 2016.
[23] R. Cassani, M. Estarellas, R. San-Martin, F. J. Fraga, and T. H. Falk, “Systematic review on resting-state EEG for Alzheimer’s disease diagnosis and progression assessment,” Dis. Markers, vol. 2018, 2018.
[24] B. Oltu, M. F. Ak\csahin, and S. Kibaro\uglu, “A novel electroencephalography based approach for Alzheimer’s disease and mild cognitive impairment detection,” Biomed. Signal Process. Control, vol. 63, p. 102223, 2021.

Details

Primary Language

Turkish

Subjects

-

Journal Section

Research Article

Authors

Zülfikar Aslan ^*
0000-0002-2706-5715
Türkiye

Publication Date

June 28, 2022

Submission Date

March 24, 2022

Acceptance Date

June 14, 2022

Published in Issue

Year 2022 Volume: 13 Number: 2

DOI

https://doi.org/10.24012/dumf.1092569

IZ

https://izlik.org/JA69HZ45CB

Cite

RIS / Bibtex

APA

Aslan, Z. (2022). EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 13(2), 213-220. https://doi.org/10.24012/dumf.1092569

AMA

1.Aslan Z. EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi. DUJE. 2022;13(2):213-220. doi:10.24012/dumf.1092569

Chicago

Aslan, Zülfikar. 2022. “EEG Sinyallerini Kullanarak Alzheimer Hastalığının Otomatik Tespiti Için Bilgisayar Destekli Tanı Sistemi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 13 (2): 213-20. https://doi.org/10.24012/dumf.1092569.

EndNote

Aslan Z (June 1, 2022) EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 13 2 213–220.

IEEE

[1]Z. Aslan, “EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi”, DUJE, vol. 13, no. 2, pp. 213–220, June 2022, doi: 10.24012/dumf.1092569.

ISNAD

Aslan, Zülfikar. “EEG Sinyallerini Kullanarak Alzheimer Hastalığının Otomatik Tespiti Için Bilgisayar Destekli Tanı Sistemi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 13/2 (June 1, 2022): 213-220. https://doi.org/10.24012/dumf.1092569.

JAMA

1.Aslan Z. EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi. DUJE. 2022;13:213–220.

MLA

Aslan, Zülfikar. “EEG Sinyallerini Kullanarak Alzheimer Hastalığının Otomatik Tespiti Için Bilgisayar Destekli Tanı Sistemi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 13, no. 2, June 2022, pp. 213-20, doi:10.24012/dumf.1092569.

Vancouver

1.Zülfikar Aslan. EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi. DUJE. 2022 Jun. 1;13(2):213-20. doi:10.24012/dumf.1092569

Cited By

DETECTION OF ALZHEIMER'S DISEASE FROM ELECTROENCEPHALOGRAPHY (EEG) SIGNALS USING MULTITAPER AND ENSEMBLE LEARNING METHODS

Uludağ University Journal of The Faculty of Engineering

https://doi.org/10.17482/uumfd.1142345

Fast Walsh–Hadamard transform and deep learning approach for diagnosing psychiatric diseases from electroencephalography (EEG) signals

Neural Computing and Applications

https://doi.org/10.1007/s00521-023-08971-6

EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi

EEG sinyallerini kullanarak Alzheimer hastalığının otomatik tespiti için bilgisayar destekli tanı sistemi

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

DETECTION OF ALZHEIMER'S DISEASE FROM ELECTROENCEPHALOGRAPHY (EEG) SIGNALS USING MULTITAPER AND ENSEMBLE LEARNING METHODS

Fast Walsh–Hadamard transform and deep learning approach for diagnosing psychiatric diseases from electroencephalography (EEG) signals

Makine Öğrenme Yöntemleri ile EEG Sı̇nyallerı̇nden Alzheimer Hastalığı Tanısı

Alzheimer Hastalığının Manyetik Rezonans Görüntülerden Hibrit Derin Öğrenme Yaklaşımı ile Otomatik Tespiti

Türkiye’de Sosyal Bilimler Alanında EEG Kullanılarak Yapılan Tezlerin İncelenmesi