Kolmogorov Algoritmik Karmaşıklık ile Parkinson Hastalarının EEG Aktivitesinin Analizi


Baki N., Gürsel Özmen N.

14. Tıp Bilişimi Kongresi, İzmir, Turkey, 16 - 18 March 2023, vol.1, no.7163, pp.182-187

  • Publication Type: Conference Paper / Full Text
  • Volume: 1
  • City: İzmir
  • Country: Turkey
  • Page Numbers: pp.182-187
  • Karadeniz Technical University Affiliated: Yes

Abstract

Parkinson hastalığı (PH), dünya çapında en yaygın kronik ilerleyici nörolojik hastalıklardan biri olduğundan, hem

kişiye hem de devletlerin sağlık sistemlerine maliyeti oldukça fazladır. Substanstia nigradaki dopaminerjik nöronların kaybı

ile tespit edilmekte ve nörodejenerasyonun ileri evrelerinde karakteristik motor semptomlar olan bradikinezi, rijidite ve

istirahatte titreme ortaya çıkmaktadır. Bu hastalığa karşı etkin bir tedavi yöntemi bu güne kadar tam anlamıyla

sağlanamamıştır. PH’de erken teşhis, tedavi seçimini etkilemesi nedeniyle çok önemlidir. Bu nedenle kişilerin EEG

kayıtlarının incelenmesi erken teşhis için bir umut olmuştur. Bu çalışmada, PH’de dinlenme durumunda EEG’de oluşan

beyin dalgaları olan delta, teta, alfa, beta ve gama dalgalarından öznitelikler çıkarılarak, erken aşamada hastalığın teşhis

edilmesi amacıyla akıllı bir karar destek sistemi geliştirilmesi planlanmıştır. Özel olarak bu çalışmada, yaş ve cinsiyet

açısından demografik olarak eşleştirilen 14 PH’li ve 14 kontrol grubundan oluşan 28 kişiye ait dinlenme durumu EEG

verileri kullanılmıştır. Verilerin frekans domenine ait Kolmogorov algoritmik karmaşıklık (KAC) özniteliği seçilmiş ve PH

ve kontrol grubu verilerinin farklı sınıflandırıcılarla başarımı değerlendirilmiştir. Radial çekirdek tabanlı Destek Vektör

Makinesi ile sınıflandırma sonuçları doğruluk % 92, kesinlik % 92, duyarlılık % 92, F1 skor % 92, Gradient Boosting

Algoritması ile yapılan sınıflandırmada ise doğruluk % 91, kesinlik % 91, duyarlılık % 91, F1 skor % 91 olarak elde

edilmiştir. Dolayısıyla tek öznitelik olan Kolmogorov algoritmik karmaşıklık kullanılarak literatürde bu veri seti kullanılarak

yapılan makine öğrenme sonuçlarına kıyasla başarılı bir sınıflandırma gerçekleştirilmiştir.