Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti

Abstract

Alzheimer hastalığı, demansın en sık görülen türü olan ilerleyici bir nörodejeneratif bozukluktur. Hafıza kaybı, bilişsel kabiliyetlerde azalma ve davranışsal sorunlara yol açarak, günlük yaşamı derinden etkilemektedir. Hastalıkla mücadelede en önemli adımlardan biri hızlı ve doğru tanının konmasıdır. Dolayısıyla, bilgisayar destekli tanı sistemlerinin histopatolojik analizlere alternatif olarak geliştirilmesi önem arz etmektedir. Bu çalışmada, Alzheimer hastalığının otomatik olarak tespitinde EEG tabanlı bir sınıflandırma modeli tanıtılmıştır. Önerilen model EEG senkrosıkıştırma temsillerinin çeşitli uyarlanmış ön eğitimli derin evrişimsel sinir ağı mimariler ile sınıflandırılmasından oluşmaktadır. Senkrosıkıştırma yöntemi, EEG işaretlerini zamanla değişen salınım özelliklerine sahip görüntü örüntülerine dönüştürmek için kullanılmıştır. Akabinde ise EEG görüntüleri ön eğitimli SqueezeNet, ResNet, InceptionV3 ve MobileNet derin mimarilerine girdi olarak sunulmuş ve elde edilen sınıflandırma performansları karşılaştırılmıştır. Deneyler, 19 elektrottan (Fp1, Fp2, Fz, F3, F4, F7, F8, Cz, C3, C4, T3, T4, Pz, P3, P4, T5, T6, O1 ve O2) kayıt edilen EEG işaretlerinin her biri için ayrı ayrı uygulanmıştır. Bulgular P3 ve T5 kanallarının Alzheimer tespitinde en etkin serebral konumlar olduğunu ve en iyi sınıflandırma doğruluğunun InceptionV3 modeli ile elde edildiğini göstermiştir. InceptionV3 modeli ile her iki kanal için sınıflandırma doğrulukları sırasıyla %89.50 ve %90.57 olarak elde edilmiştir. Ayrıca serebral korteksteki elektriksel aktivitelerin hastalığa ilişkin karakteristik dinamikleri en belirgin olarak parietal ve tempoaral loblarda yansıttığı gözlemlenmiştir.