Please use this identifier to cite or link to this item: http://hdl.handle.net/11452/33092
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGöker, Hanife-
dc.date.accessioned2023-06-21T07:19:21Z-
dc.date.available2023-06-21T07:19:21Z-
dc.date.issued2023-02-28-
dc.identifier.citationGöker, H. (2023). ''Detection of alzheimer's disease from electroencephalography (eeg) signals using multitaper and ensemble learning methods''. Uludağ Üniversitesi Mühendislik Dergisi, 28(1), 141-152.tr_TR
dc.identifier.issn2148-4155-
dc.identifier.issn2148-4147-
dc.identifier.urihttps://doi.org/10.17482/uumfd.1142345-
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/2532518-
dc.identifier.urihttp://hdl.handle.net/11452/33092-
dc.description.abstractAlzheimer's disease is a complex brain disease and is also the most common form of dementia that leads to impaired social and intellectual abilities. The disease only manifests itself with a simple forgetfulness, as the disease progresses, the patient forgets the recent events, cannot recognize his family members and close environment, and becomes in need of care in the last stage. Early detection is therefore crucial for medical intervention to prevent brain injury and prolong everyday functioning. In this study is aimed to detection of Alzheimer’s disease from EEG signals using the multitaper and ensemble learning methods. The dataset comprises of 24 healthy people and 24 Alzheimer's patients' EEG signals. 49 features were extracted by calculating the power spectral density (PSD) of the frequencies of the EEG signals between 1-49 Hz using the multitaper method. Then, the performances of AdaboostM1, Total Boost, Gentle Boost, Logit Boost, Robust Boost, and Bagging ensemble learning algorithms were compared. As a result of experiments, the Logit Boost algorithm has the highest performance. The algorithm has achieved a promising performance of 93.04% accuracy, 93.09% f1-score, 92.75% sensitivity, 93.43% precision, and 93.33% specificity.tr_TR
dc.description.abstractAlzheimer hastalığı karmaşık bir beyin hastalığıdır, aynı zamanda sosyal ve entelektüel yeteneklerde bozulmaya yol açan demansın en yaygın şeklidir. Hastalık sadece basit bir unutkanlıkla kendini gösterir, hastalık ilerledikçe hasta son olayları unutur, ailesini ve yakın çevresini tanıyamaz, son aşamada bakıma muhtaç hale gelir. Bu nedenle erken teşhis, beyin hasarını azaltmak ve günlük işleyişi daha uzun süre korumak için tıbbi müdahalede önemli bir rol oynamaktadır. Bu çalışmada, multitaper ve topluluk öğrenme yöntemleri kullanılarak, EEG sinyallerinden Alzheimer hastalığının tespitinin yapılması amaçlanmıştır. Veriseti 24 sağlıklı bireyden ve 24 Alzheimer hastasından kaydedilen EEG sinyallerinden oluşmaktadır. EEG sinyallerinin 1-49 Hz arasındaki frekanslarının güç spektral yoğunluğu (PSD) multitaper yöntemi kullanılarak hesaplanarak, 49 öznitelik çıkarıldı. Daha sonra AdaboostM1, Total Boost, Gentle Boost, Logit Boost, Robust Boost ve Bagging topluluk öğrenme algoritmalarının performansları karşılaştırıldı. Deneyler sonucunda, Logit Boost algoritması en yüksek performansa sahipti. Algoritma, %93,04 doğruluk, %93,09 f1-skor, %92,75 duyarlılık, %93,43 kesinlik ve %93,33 özgüllük ile umut verici bir performans elde etti.tr_TR
dc.language.isoentr_TR
dc.publisherBursa Uludağ Üniversitesitr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.rightsAtıf 4.0 Uluslararasıtr_TR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectEnsemble learningen_US
dc.subjectSignal processingen_US
dc.subjectEEGen_US
dc.subjectAlzheimer 's diseaseen_US
dc.subjectTopluluk öğrenmetr_TR
dc.subjectSinyal işlemetr_TR
dc.subjectMultitapertr_TR
dc.subjectAlzheimer hastalığıtr_TR
dc.titleDetection of alzheimer's disease from electroencephalography (EEG) signals using multitaper and ensemble learning methodsen_US
dc.title.alternativeMultitaper ve topluluk öğrenme yöntemlerinin kullanılarak elektroensefalografi (EEG) sinyallerinden alzheimer hastalığının tespititr_TR
dc.typeArticleen_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergitr_TR
dc.identifier.startpage141tr_TR
dc.identifier.endpage152tr_TR
dc.identifier.volume28tr_TR
dc.identifier.issue1tr_TR
dc.relation.journalUludağ Üniversitesi Mühendislik Dergisi / Uludağ University Journal of The Faculty of Engineeringtr_TR
Appears in Collections:2023 Cilt 28 Sayı 1

Files in This Item:
File Description SizeFormat 
28_1_11.pdf804.5 kBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons