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.
Alzheimer's is an irreversible neurodegenerative disease with progressive loss of cognitive and neurological functions that negatively affects human life. Since the disease is incurable, early diagnosis and slowing down the progression is of great importance. Prolonged diagnosis leads to delayed treatment and increased cognitive and neurological deficits. The aim of this study is to diagnose Alzheimer's disease (AD) from Electroencephalogram (EEG) signals using machine learning methods to minimize these losses. In this study, EEG signals of 24 people with AD and 24 healthy people were divided into 4-second epochs with 50% overlap. Independent Component Analysis (ICA) values of the signals were calculated and automatic noise removal was performed from the EEG channels according to the ICA values. The transition of each signal from the time domain to the spectral domain was performed using the Welch method. In the range of 1-30 Hz, 20 statistical and spectral features were extracted from the signals whose Power Spectral Density (PSD) was obtained by Welch Spectral analysis and a feature vector was created. Spearman correlation coefficient was used to correlate each feature with the label and 9 features were selected according to the threshold value and a new feature vector was created. Of the feature vectors obtained, 70% of the feature vectors were allocated as training and 30% as test. Machine learning (ML) methods Support Vector Machines (SVM) and k-Nearest Neighbor (kNN) methods were trained and tested with 10-fold cross validation without and with Principal Component Analysis (PCA). The results were compared according to accuracy, sensitivity, specificity, precision and F-Score values. The best accuracy rate for AD diagnosis was 96.59% with SVM by applying PCA to a feature vector consisting of 20 features.
