Diagnosis of Alzheimer's Disease from EEG Signals with Machine Learning Methods

Alzheimer bilişsel ve nörolojik işlevlerin ilerleyici kaybı olan, insan yaşamını olumsuz yönde etkileyen, geri dönüşümü mümkün olmayan bir tür nörodejeneratif hastalıktır. Hastalığın tedavisi mümkün olmadığından, erken tanı ile ilerleyişi yavaşlatmak büyük önem taşımaktadır. Tanı aşamasının uzun sürmesi tedavinin gecikmesine ve bilişsel, nörolojik kayıpların artmasına sebep olmaktadır. Bu çalışmanın amacı, kayıpların en aza indirgenmesi için Elektroensefalogram (EEG) sinyallerinden Alzheimer hastalığının (AH) tanısını makine öğrenme yöntemleri ile gerçekleştirmektir. Yapılan çalışmada AH’lı 24 kişi ve sağlıklı 24 kişinin EEG sinyalleri %50 örtüşme ile 4 saniyelik epoklara ayrılmıştır. Sinyallerin Bağımsız Bileşen Analizi (ICA) değerleri hesaplanmış ve EEG kanallarından ICA değerlerine göre otomatik gürültü temizle işlemi yapılmıştır. Her bir sinyalin zaman alanından spektral alana geçişi Welch metodu kullanılarak gerçekleştirilmiştir. 1-30 Hz aralığında Welch Spektral analizi ile Güç Spektral Yoğunluğu (PSD) elde edilen sinyallerden 20 adet istatistiksel ve spektral özellik çıkarımı yapılmış ve öznitelik vektörü oluşturulmuştur. Spearman korelasyon katsayısı ile her özelliğin etiket ile korelasyon ilişkisine bakılmış ve eşik değerine göre 9 özellik seçimi yapılarak yeni öznitelik vektörü oluşturulmuştur. Elde edilen öznitelik vektörlerinin %70’i eğitim, %30’u test olarak ayrılmıştır. Makine öğrenme (ML) yöntemlerinden Destek Vektör Makineleri (SVM) ve k-En Yakın Komşu (kNN) yöntemleri 10 kat çapraz doğrulama ile eğitim ve test işlemleri Temel Bileşen Analizi (PCA) uygulanmadan ve uygulanarak gerçekleştirilmiştir. Çıkan sonuçlar doğruluk, duyarlılık, özgüllük, hassasiyet ve F-Skor değerlerine göre karşılaştırılmıştır. AH tanısında en iyi doğruluk oranı 20 özellikten oluşan öznitelik vektörüne PCA uygulanmasıyla %96.59 SVM ile elde edilmiştir.