EEG İŞARETLERİNDEN DİKKAT EKSİKLİĞİ VE HİPERAKTİVİTE BOZUKLUKLARININ MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE BELİRLENMESİ

Abstract

Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB), çocuklarda yaygın olarak görülen; hiperaktivite, davranış problemleri ve eğitimle ilgili zorluklar gibi belirtilerle kendini gösteren bir durumdur. Bu çalışma, DEHB teşhisini elektroensefalografi (EEG) sinyalleriyle değerlendirmeyi amaçlayarak önemli bir adım atmaktadır. Araştırma, DEHB tanısı almış 30 çocuk ile sağlıklı 30 kontrol grubundan elde edilen EEG verilerini içermektedir. EEG verileri, öncelikle gürültü azaltma amaçlı işlenmiş ve daha sonra derin öğrenme modelleri olan ConvMixer, ResNet50 ve ResNet18 gibi algoritmalar kullanılarak sınıflandırılmıştır. Çalışmanın bulguları, ConvMixer modelinin düşük hesaplama kaynaklarına ihtiyaç duyarak yüksek sınıflandırma başarısı elde ettiğini göstermektedir. DEHB teşhisi için daha hafif modellerin kullanılabilirliğini vurgulamaktadır, bu da uygulamada önemli bir avantaj sağlar. Ayrıca, EEG sinyallerinin DEHB teşhisinde kullanılabilirliği üzerine yapılan araştırmada, farklı kanalların etkileri incelenmiştir. Analizler sonucunda, özellikle T8 kanalının DEHB teşhisinde etkili olduğu belirlenmiştir. Elde edilen sonuçlar EEG tabanlı DEHB teşhisinde hangi kanallara odaklanılması gerektiğine dair önemli bir ipucu sunmaktadır. Sonuç olarak, bu çalışma, DEHB teşhisi için EEG tabanlı yöntemlerin kullanılabilirliğini ve EEG sinyallerinin analizi için derin öğrenme modellerinin etkinliğini ortaya koymaktadır. Ayrıca, daha hızlı öğrenme modellerinin kullanılabilirliğiyle birlikte, hangi EEG kanallarının daha önemli olduğu konusunda pratik uygulamalara ışık tutmaktadır.

Attention Deficit Hyperactivity Disorder (ADHD) is a condition commonly observed in children, characterized by symptoms such as attention deficits, hyperactivity, behavioral problems, and difficulties related to education. This study aims to assess the diagnosis of ADHD using electroencephalography (EEG) signals, marking a significant step forward. The research includes EEG data obtained from 30 children diagnosed with ADHD and 30 healthy controls. The EEG data were first processed for noise reduction and then classified using deep learning models such as ConvMixer, ResNet50, and ResNet18. The findings of the study indicate that the ConvMixer model achieves high classification accuracy with low computational resources. This underscores the availability of lighter models for ADHD diagnosis, providing a significant advantage in practical applications. Furthermore, the research on the usability of EEG signals in ADHD diagnosis examined the effects of different channels. Through these analyses, it was determined that the T8 channel is particularly effective in diagnosing ADHD. This provides valuable insight into which channels to focus on in EEG-based ADHD diagnosis. In conclusion, this study demonstrates the feasibility of EEG-based methods for ADHD diagnosis and the effectiveness of deep learning models in analyzing EEG signals. It also sheds light on the availability of lighter models and the importance of certain EEG channels in practical applications.