Artificial Intelligence Based Performance Analysis in Detection of Schizophrenia

Öz

Schizophrenia (SZ) is a mental illness in which there are negative perceptions and behaviors, and it is not possible to distinguish between real and imaginary sounds or experiences. Hallucinations, delusions, difficulty in speaking and expressing emotions are among the symptoms of schizophrenia. Early detection of SZ is of vital importance in order to prevent such permanent problems. Blood tests, brain imaging and EEG signals are mostly used together with preliminary examination for diagnosis. Since EEG has a very low amplitude and contains very different frequencies, SZ detection performance may vary. In this study, SZ patients will be detected using EEG signals. The study results were obtained from EEG data of 39 healthy and 45 SZ patients. The performance of the detected features was recorded by applying backward elimination method together with time and frequency domain measurements on different normalized EEG signals. The k-nearest neighbor (k-NN) algorithm was used in the study. As a result, 83.6% accuracy value was obtained for k-NN (k=1) with z-score normalization and 13 features. These results show that SZ patients can be detected with very high accuracy. It is also thought to be useful as a decision support system for neurology specialists.

Anahtar Kelimeler

• Schizophrenia
• EEG
• Feature extraction
• Backward elimination
• k-NN

Şizofren Hastalarının Tespitinde Yapay Zeka Tabanlı Performans Analizi

Öz

Şizofreni (SZ), algıda ve davranışlarda olumsuzlukların yaşandığı, seslerin ya da yaşananların gerçek veya hayal ayrımının yapılamadığı zihinsel bir hastalıktır. Halüsinasyonlar, hezeyanlar, konuşma ve duyguyu ifade etmede zorluk yaşama şizofreni belirtileri arasında yer almaktadır. Bu gibi kalıcı problemlerin önüne geçilmesi için SZ’nin erken tespiti hayati öneme sahiptir. Tanı amaçlı çoğunlukla ön muayene ile birlikte kan tahlili, beyin görüntüleme ve elektroensefalogram (EEG) sinyalleri kullanılmaktadır. EEG oldukça düşük genliğe sahip olmasının yanı sıra çok farklı frekanslar barındırması nedeniyle SZ’nin tespit performansı değişebilmektedir. Bu çalışmada EEG sinyalleri kullanılarak SZ hastalarının tespiti gerçekleştirilecektir. 39 sağlıklı, 45 SZ hastasına ait EEG verileri üzerinden çalışma sonuçları elde edilmiştir. Farklı normalize edilmiş EEG işaretleri üzerinden zaman ve frekans alanı ölçümleri ile birlikte geriye doğru eleme yöntemi de uygulanarak tespit edilen özniteliklerin başarımları kayıt altına alınmıştır. Çalışmada k-en yakın komşu (k-NN) algoritması kullanılmıştır. Sonuç olarak z-skor normalizasyonlu ve 13 öznitelikle k-NN (k=1) için %83,6 doğruluk değeri elde edilmiştir. Elde edilen bu sonuçlar SZ hastalarının oldukça yüksek başarım ile tespit edilebileceğini göstermektedir. Çalışmanın nöroloji uzmanlarına da karar destek sistemi olarak fayda vereceği düşünülmektedir.

Anahtar Kelimeler

• Şizofreni
• EEG
• Öznitelik çıkarımı
• Geriye doğru eleme
• k-NN

Kaynakça

1. Akcan G, Taşören AB. 2020. Genç yetişkinlerde çocukluk çağı olumsuz yaşantıları, öz-şefkat ve duygu düzenleme becerileri depresyon belirtilerini yordar mı? Bogazici Univ J Educ, 37(2): 59-80.
2. Aktay M, Hızlı Sayar G. 2021. Psikiyatrik bozuklukların psikososyal yönü. Kıbrıs Türk Psikiyatri ve Psikoloji Derg, 3(1): 48-55.
3. Bashivan P, Rish I, Heisig S. 2016. Mental state recognition via wearable EEG. arXiv, arXiv:1602.00985.
4. Birnbaum R. 2023. Rediscovering tandem repeat variation in schizophrenia: challenges and opportunities. Transl Psychiatry, 13(1): 402.
5. Borisov SV, Kaplan AY, Gorbachevskaya NL, Kozlova IA. 2005. Analysis of EEG structural synchrony in adolescents with schizophrenic disorders. Human Physiol, 31: 255-261.
6. Boz C, Özdemir M, Çalgı B. 2020. Mental hastalıkların prevalansına göre OECD ülkelerinin çok boyutlu analizi ve MOORA yöntemi ile sıralanması. Gümüşhane Üniv Sosyal Bilim Derg, 11: 245-256.
7. Das K, Pachori RB. 2021. Schizophrenia detection technique using multivariate iterative filtering and multichannel EEG signals. Biomed Signal Process Cont, 67: 102525.
8. da Silveira TL, Kozakevicius AJ, Rodrigues CR. 2016. Automated drowsiness detection through wavelet packet analysis of a single EEG channel. Expert Syst Appl, 55: 559-565.

9. Dvey-Aharon Z, Fogelson N, Peled A, Intrator N. 2015. Schizophrenia detection and classification by advanced analysis of EEG recordings using a single electrode approach. PLoS One, 10(4): e0123033.
10. Eoh HJ, Chung MK, Kim SH. 2005. Electroencephalographic study of drowsiness in simulated driving with sleep deprivation. Int J Ind Ergon, 35(4): 307-320.
11. Erdoğan YE, Narin A. 2021. COVID-19 detection with traditional and deep features on cough acoustic signals. Comput Biol Med, 136: 104765.
12. Farahdiba S, Kartini D, Nugroho RA, Herteno R, Saragih TH. 2023. Backward elimination for feature selection on breast cancer classification using logistic regression and support vector machine algorithms. IJCCS, 17(4): 429-440.
13. Hosseini SA, Naghibi-Sistani MB. 2011. Emotion recognition method using entropy analysis of EEG signals. Int J Image Graphics Signal Process, 3(5): 30-38.
14. Jap BT, Lal S, Fischer P, Bekiaris E. 2009. Using EEG spectral components to assess algorithms for detecting fatigue. Expert Syst Appl, 36(2): 2352-2359.
15. Jin H, Mosweu I. 2017. The societal cost of schizophrenia: A systematic review. Pharmacoecon, 35(1): 25-42.
16. Kamble A, Ghare P, Kumar V. 2022. Machine-learning-enabled adaptive signal decomposition for a brain-computer interface using EEG. Biomed Signal Process Control, 74: 103526.
17. Karal E, Atak H. 2022. Çocukluk çağı ruhsal travmaları üzerine kavramsal bir çalışma. Muş Alparslan Univ J Fac Educ, 2(1), 82-103.
18. Kim JW, Lee YS, Han DH, Min KJ, Lee J, Lee K. 2015. Diagnostic utility of quantitative EEG in un-medicated schizophrenia. Neurosci Lett, 589: 126-131.
19. Larson MK, Walker EF, Compton MT. 2010. Early signs, diagnosis and therapeutics of the prodromal phase of schizophrenia and related psychotic disorders. Expert Rev Neurother, 10(8): 1347-1359.
20. Lotte F, Bougrain L, Cichocki A, Clerc M, Congedo M, Rakotomamonjy A, Yger F. 2018. A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update. J Neural Eng.
21. Narin A. 2020. Parkinson hastalarının tespitinde karınca koloni algoritması ile seçilen özniteliklerin performansa etkisi. Düzce Univ J Sci Technol, 8(4): 2443-2454.
22. Piryatinska A, Darkhovsky B, Kaplan A. 2017. Binary classification of multichannel-EEG records based on the ϵ-complexity of continuous vector functions. Comput Methods Programs Biomed, 152: 131-139.
23. Rizvi A, Safwi SR, Usmani MA. 2024. Schizophrenia: Disability, clinical insights, and management. Cham: Springer Nature Bern, Switzerland, pp: 1-12.
24. Santos-Mayo L, San-José-Revuelta LM, Arribas JI. 2016. A computer-aided diagnosis system with EEG based on the P3b wave during an auditory odd-ball task in schizophrenia. IEEE Trans Biomed Eng, 64(2): 395-407.
25. Singh D, Singh B. 2020. Investigating the impact of data normalization on classification performance. Applied Soft Computing, 97: 105524.
26. Subasi A. 2007. EEG signal classification using wavelet feature extraction and a mixture of expert model. Expert Syst Applicat, 32(4): 1084-1093.
27. Sürücü M, İşler Y, Kara R. 2023. Paroksismal atriyal fibrilasyonun 30 dakikalık kalp hızı değişkenliği analizi kullanılarak teşhisinde kalp hızı ve öznitelik normalizasyon yöntemlerinin etkisi. Karaelmas J Sci Eng, 13(1): 191-204.
28. Şenyer Yapıcı İ, Uzun Arslan R. 2024. A machine learning-based decision support system design to predict maternal health risk groups during pregnancy. BSJ Eng Sci, 7(3): 509-520.
29. Türk Ö, Aldemir E, Acar E, Ertuğrul ÖF. 2024. Diagnosis of schizophrenia based on transformation from EEG sub-bands to the image with deep learning architecture. Soft Comput, 28(9): 6607-6617.