Yazar "Şeker, Mesut" seçeneğine göre listele
Listeleniyor 1 - 11 / 11
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Automated detection of alzheimer’s disease using raw EEG time series via. DWT-CNN model(Dicle Üniversitesi Mühendislik Fakültesi, 2022) Şeker, Mesut; Özerdem, Mehmet SiraçDementia is an age-related neurological disease and gives rise to profound cognitive decline in patients’ life. Alzheimer’s Disease (AD) is the progression of dementia and AD patients generally have memory loss and behavioral disorders. It is possible to determine the stage of dementia by developing automated systems via. signals obtained from patients. EEG is a popular brain monitoring system due to its cost effective, non-invasive implementation, and higher time resolution. In current study, we include participants of 24 HC (12 eyes open (EO), 12 eyes closed (EC)), and 24 AD (HC (12 eyes open (EO), 12 eyes closed (EC)). The aim of current study is to design a practical AD detection tool for AD/HC participants with a model called DWT-CNN. We performed Discrete Wavelet Transform (DWT) to extract EEG sub-bands. A Conv2D architecture is applied to raw samples of related EEG sub-bands. According to obtained performance metrics calculated from confusion matrices, all AD and HC time series are correctly classified for alpha band and full band range under both EO and EC. Classification rate of AD vs. HC increases under EO state in all cases even if EC is commonly preferred in other studies. We will add MCI patients with equal size and similar demographics and repeat the experimental steps to develop early alert system in future studies. Adding more participants will also increase generalization ability of method. It is also promising study to combine EEG with different modalities (2D TF image conversion, or MRI) in a multimodal approach.Öğe Complexity of EEG dynamics for early diagnosis of alzheimer's disease using permutation entropy neuromarker(Elsevier, 2021) Şeker, Mesut; Özbek, Yağmur; Yener, Görsev; Özerdem, Mehmet SiraçBackground and objective Electroencephalogram (EEG) is one of the most demanded screening tools that investigates the effects of Alzheimer's Disease (AD) on human brain. Identification of AD in early stage gives rise to efficient treatment in dementia. Mild Cognitive Impairment (MCI) is considered as a conversion stage. Reducing EEG complexity can be used as a marker to detect AD. The aim of this study is to develop a 3-way diagnostic classification using EEG complexity in the detection of MCI/AD in clinical practice. This study also investigates the effects of different eyes states, i.e. eyes-open, eyes-closed on classification performance. Methods EEG recordings from 85 AD, 85 MCI subjects, and 85 Healthy Controls with eyes-open and eyes- closed are analyzed. Permutation Entropy (PE) values are computed from frontal, central, parietal, temporal, and occipital regions for each EEG epoch. Distribution of PE values are visualized to observe discrimination of MCI/AD with HC. Visual investigations are combined with statistical analysis using ANOVA to determine whether groups are significant or not. Multinomial Logistic Regression model is applied to feature sets in order to classify participants individually. Results Distribution of measured PE shows that EEG complexity is lower in AD and higher in HC group. MCI group is observed as an intermediate form due to heterogeneous values. Results from 3-way classification indicate that F1-scores and rates of sensitivity and specificity achieve the highest overall discrimination rates reaching up to 100% for at TP8 for eyes-closed condition; and C3, C4, T8, O2 electrodes for eyes-open condition. Classification of HC from both patient groups is achieved best. Eyes-open state increases discrimination of MCI and AD. Conclusions This nonlinear EEG methodology study contributes to literature with high discrimination rates for identification of AD. PE is recommended as a practical diagnostic neuro-marker for AD studies. Resting state EEG at eyes-open condition can be more advantageous over eyes-closed EEG recordings for diagnosis of AD.Öğe Deep insights into MCI diagnosis: A comparative deep learning analysis of EEG time series(Elsevier, Mart 2024) Şeker, Mesut; Özerdem, Mehmet SiraçBackground Individuals in the early stages of Alzheimer’s Disease (AD) are typically diagnosed with Mild Cognitive Impairment (MCI). MCI represents a transitional phase between normal cognitive function and AD. Electroencephalography (EEG) records carry valuable insights into cerebral cortex brain activities to analyze neuronal degeneration. To enhance the precision of dementia diagnosis, automatic and intelligent methods are required for the analysis and processing of EEG signals. New methods This paper aims to address the challenges associated with MCI diagnosis by leveraging EEG signals and deep learning techniques. The analysis in this study focuses on processing the information embedded within the sequence of raw EEG time series data. EEG recordings are collected from 10 Healthy Controls (HC) and 10 MCI participants using 19 electrodes during a 30 min eyes-closed session. EEG time series are transformed into 2 separate formats of input tensors and applied to deep neural network architectures. Convolutional Neural Network (CNN) and ResNet from scratch are performed with 2D time series with different segment lengths. Furthermore, EEGNet and DeepConvNet architectures are utilized for 1D time series. Results ResNet demonstrates superior effectiveness in detecting MCI when compared to CNN architecture. Complete discrimination is achieved using EEGNet and DeepConvNet for noisy segments. Comparison with existing methods ResNet has yielded a 3 % higher accuracy rate compared to CNN. None of the architectures in the literature have achieved 100 % accuracy except proposed EEGNet and DeepConvnet. Conclusion Deep learning architectures hold great promise in enhancing the accuracy of early MCI detection.Öğe Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Şeker, Mesut; Özerdem, Mehmet SiraçAlzheimer Hastalığı (Alzheimer Disease-AD) demansın en yaygın sebebi olup genelde yaşlılarda görülen nörolojik bir hastalıktır. Hafif Kognitif Bozukluk (Mild Cognitive Impairment, MCI), AD'nin bir önceki evresi olup erken belirteç olarak bilinir. Hastalığın ciddiyeti sebebiyle AD'nin erken evrelerdeki gelişiminin tespiti için düşük maliyetli, invaziv olmayan, ve yüksek çözünürlüklü belirteçlerin geliştirilmesi gerekmektedir. Bu tezin amacı, demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesidir. Söz konusu belirteçlerin belirlenmesi amacıyla; AD/MCI gruplarına ait spontan EEG kayıtları, demansda yavaşlama, düşük karmaşıklık ve senkronizasyon örüntülerinin analizleri tez kapsamında çalışılmıştır. Tez kapsamında belirlenen nöro-belirteçler ile demansın erken evrede tespiti, literatüre önemli bir katkı sağlayacağı düşünülmektedir. Bu tez çalışmasında, göz açık-kapalı durumunda 85 AD, 85 MCI, ve 85 Sağlıklı Kontrol (Healthy Condition-HC) içeren Veri seti 1 ve göz kapalı durumda 10 MCI ve 10 HC içeren Veri seti 2 EEG kayıtları analiz edilmiştir. Permütasyon Entropi (PE) karmaşıklık nöro-belirteci olarak önerilirken, tepe güç genlikleri ve frekansları spektral belirteçler olarak seçilmiş ve elektrotlar arasındaki wPLI senkronizasyon özellikleri olarak önerilmiştir. Entopi nöro-belirteçleri için kişi tabanlı 3 sınıflı sınıflandırma yaklaşımı benimsenirken, geri kalan analizler için epok temelli ikili sınıflandırıcılar uygulanmıştır. 25 adet Lazypredict algoritması dikkate alınmış ve en uygun sonuçlar veren işlemlere devam edilmiştir. Bu çalışmada, HC/MCI gruplarını içeren Veri seti 2, 1B EEG segmentleri kullanılarak (EEGNet ve DeepConvNet ile) incelenmiş ve oluşturulan 2B EEG zaman serileri Conv2B ve ResNet mimarileri kullanılarak sınıflandırılmıştır. Ayrıca, 1B EEG kayıtları 2B zaman-frekans (ZF) görüntülerine dönüştürülmüştür. CNN tabanlı ağlar ve Vision Transformer, ZF görüntülerini sınıflandırmak için uygulanmıştır. Sonuç olarak, entropi analizinde gözler açık konumda MCI vs. AD ayrımı central, temporal ve oksipital bölgelerde %100 doğrulukla sonuçlandırılmıştır. MCI'nin bir geçiş evresi olduğu gösterilmiştir. Alfa ve beta tepe genlikleri MCI vs. HC ayrımı için en uygun belirteçlerdir. HC grubunda daha yüksek wPLI değerleri gözlemlenip gruplar %99 doğrulukla sınıflandırılmıştır. Tüm MCI ve HC grupları EEGNet, DeepConvNet ve Vision Transformer (ViT) ile tamamen doğru ayırt edilmiştir. ViT'in dikkat mekanizasması kullanarak CNN tabanlı yaklaşımlardan daha üstün olduğu görülmüştür. ResNet mimarisi de artık bloklar kullanarak CNN'den daha etkili sonuçlar üretmiştir. Mevcut tez çalışması, EEG tabanlı nöro-belirteçler ve makine öğrenme mimarileri kullanarak AD/MCI tespiti için potansiyel sonuçlar sunmaktadır.Öğe EEG based Schizophrenia Detection using SPWVD-ViT Model(Hibetullah KILIÇ, 2022) Şeker, Mesut; Özerdem, Mehmet SiraçSchizophrenia is a typical neurological disease that affects patients’ mental state, and daily behaviours. Combining image generation techniques with effective machine learning algorithms may accelerate treatment process, and possible early alert systems prevents diseases from reaching out crucial phase. The purpose of current study is to develop an automated EEG based schizophrenia detection with the Vision Transformer (ViT) model using Smoothed Pseudo Wigner Ville Distribution (SPWVD) time-frequency input images. EEG recordings from 35 schizophrenia (sch) and 35 healthy conditions (hc) are analyzed. We have used 5-fold cross validation for evaluation and testing of the method. Classification task is carried out as subject-independent and subject-dependent method. We reached out overall accuracy of 87% for subject-independent and 100% for subject-dependent approach for binary classification. While ViT has ben extensively used in Natural Language Processing (NLP) field, dividing input images within a sequence of embedded image patches via. transformer encoder is a practical way for medical image learning and developing diagnostic tools. SPWVD-ViT model is recommended as a disease detection tool not only for schizophrenia but other neurological symptoms.Öğe EEG channel selection using differential evolution algorithm and particle swarm optimization for classification of odorant-stimulated records(INESEG Yayıncılık, 2021) Şeker, Mesut; Özerdem, Mehmet SiraçA significant advancement has been made in the evolutionary computing and swarm intelligence methods in past decades. These methods have been commonly used to calculate well optimized solutions. Methods select the best elements or cases among set of alternatives. In EEG signal processing applications, efficient channel selection algorithms are required to reduce high dimensionality and remove redundant features. To do this, we examined optimal 5 electrodes out of 14 using Particle Swarm Optimization (PSO) and Differential Evolution Algorithm (DEA). The proposed work is related with pleasant- unpleasant EEG odors classification problem. Classification error rates were calculated by Linear Discriminant Analysis (LDA), k-NN (k Nearest Neighbour), Naive Bayes (NB), Regression Tree (RegTree) classifiers and used as fitness function for optimization algorithms. The results showed that PSO with selected 5 channels gave lowest error rates compared with DEA for all runs. RegTree classifier generated optimal fitness function value among other classifiers. PSO algorithm can effectively support channel selection problem to identify the best channels to maximize classification performance.Öğe Hilbert dönüşümü kullanılarak EEG işaretlerinden kanal bazlı şizofren hastalığının tespiti(Türkiye Bilişim Vakfı, 2020) Türk, Ömer; Özerdem, Mehmet Siraç; Şeker, MesutElektroensefalografi (EEG) nörolojik hastalıkların tespitinde sahip olduğu çok kanallı ve yüksek zaman çözünürlüklü yapısı ile çalışmalarda etkili bir görüntüleme aracı olarak popülerliğini korumaktadır. Bu çalışmada, Hilbert Dönüşümü (HD) kullanılarak EEG kayıtlarından kanal bazlı şizofreni hastalığının tespiti amaçlanmıştır. İşarete ait sanal bileşenler bu dönüşümle analiz edilip hasta/kontrol gruptan oluşan öznitelik vektörleri Destek Vektör Makinası (DVM) ile sınıflandırılmıştır. Kullanılan EEG veri seti, yaşları 10-14 arasında değişen 39 şizofreni ve yaşları 11-13 arasında farklılık gösteren 39 sağlıklı katılımcıdan elde edilmiştir. Mevcut kayıtlar katılımcının gözleri kapalı konumda iken 10-20 sistemine göre düzenlenmiş 16 elektrot aracılığı ile 1 dakika süresince alınmıştır. Çalışmada kullanılan kanallar frontal, parietal, temporal, central ve oksipital lob’un ilgili bölgelerinden seçilmiştir. Yapılan sınıflandırma işleminde k=10 çapraz doğrulama kullanılarak eğitim ve test kümeleri oluşturulmuştur. Çalışmada sınıflandırma başarımın yanında Tutturma (Precision), Bulma (Recall), F1-Score değerleri de hesaplanmıştır. Çalışmada en iyi sınıflandırma başarımı %95,19 ile frontal lob ’dan oluşan özniteliklerden elde edilmiştir. En düşük sınıflandırma performansının ise temporal lob bölgesinden alınan kanal öznitelikleri olduğu görülmüştür. Sağlıklı ve hasta grupların başarılı şekilde ayrıştırılması, izlenilen metodun klinik tedavilerde uygulanabileceğini, klinisyenlere tedavi edilecek kişinin durumu konusunda fikir verebileceğini göstermektedir. Önerilen çalışma mevcut hali ile şizofreni hastalığı tespitinde literatüre katkı sunacak pratik bir uygulama olarak umut vadetmektedir.Öğe Investigating convolutional and transformer-based models for classifying Mild Cognitive Impairment using 2D spectral images of resting-state EEG(Elsevier Ltd, 2025) Şeker, Mesut; Özerdem, Mehmet SiraçAlzheimer's disease (AD) is the most common form of dementia among the elderly, leading to significant cognitive and functional impairments. Mild Cognitive Impairment (MCI) serves as a transitional stage that may precede dementia, with some individuals remaining stable, some improving, and others progressing to various types of dementia, including AD. Electroencephalography (EEG) has emerged as a valuable tool for early monitoring and diagnosis of dementia. This paper addresses the challenge of MCI classification using EEG data by exploring the effectiveness of Convolutional Neural Networks (CNNs) and Transformer-based models. We introduce an innovative methodology for converting non-linear raw EEG recordings into suitable input images for deep learning networks. The dataset comprises EEG recordings from 10 MCI patients and 10 Healthy Control (HC) subjects. We utilize spectral images of scalograms, spectrograms, and their hybrid forms as input sets due to their effectiveness in recognizing transitions in non-stationary signals. Our results demonstrate that CNNs, transfer learning architectures, hybrid architectures, and the transformer-based Vision Transformer (ViT) method effectively classify these images. The highest performance rates were achieved with spectrogram images, yielding accuracy rates of 0.9927 for CNN and 0.9938 for ViT, with ViT exhibiting greater stability during training. While CNNs excel at capturing local pixel interactions, they overlook global relationships within images. This study provides a comprehensive exploration of EEG-based MCI classification, highlighting the potential impact of our findings on clinical practices for dementia classification. © 2025 Elsevier LtdÖğe İyi – kötü koku uyartılarının EEG aktivitesine etkisinin Welch metodu ile incelenmesi(Dicle Üniversitesi Mühendislik Fakültesi, 2017) Şeker, Mesut; Özerdem, Mehmet SiraçGörsel, işitsel ve koku gibi dış uyaranların beynin elektriksel aktivitesi üzerinde etkileri olduğu bilinmektedir. Görsel ve işitsel öğelere çalışmalarda oldukça yer verilmesine karşın daha karmaşık bir yapıya sahip olan koku uyartısının merkezi sinir sistemi üzerindeki etkileri pek az bilinmektedir. Bu çalışmanın amacı iyi-kötü kokuların Elektroansefalografi (EEG) sinyallerindeki dalgalanmaları nasıl etkilediğini incelemek ve beyin aktivitesi üzerinde nasıl değişimler oluşturduğunu gözlemlemektir. Çalışmada kullanılan EEG verileri 14 kanallı EMOTIV EPOC başlığı ile 6 kişinin gözler kapalı konumdayken 8 farklı koku (4 iyi- 4 kötü) kullanılarak alınmıştır. Başlığın içindeki filtreler aracılığı ile önişleme tabi tutulmuş halde alınan koku verilerinin Welch yöntemi kullanılarak güç spektrum yoğunluk grafikleri her kanal için ayrı ayrı incelenmiştir. Yapılan analizler neticesinde kokulara ait verilerin tüm bant içerisindeki bağıl gücünün yaklaşık %50-70’ını delta bandının oluşturduğu ve yoğunluğun küçük bant frekansında biriktiği görülmüştür. Genel anlamda iyi kokular yüksek bant gücünde salınım gösterirken, kötü kokular daha düşük seviyede salınım gerçekleştirmişlerdir. Veriye ait 14 kanal incelendiğinde genel olarak beyin kabuğunda bir asimetri (cortical asymmetry) olduğu görülmektedir. Kokunun subjektif bir kavram olduğu, aynı kokunun her kişide her zaman aynı etkiyi göstermediği anlaşılmaktadırÖğe İyi-kötü kokular ile ilişkili EMOTIV-EPOC tabanlı EEG kayıtlarının makina öğrenmesi yöntemleri ile sınıflandırılması(2017) Şeker, Mesut; Özerdem, Mehmet SiraçKoku uyartısının beynin elektriksel aktivitesi üzerinde etkileri olduğu bilinmektedir. Kokunun kişinin hislerine, davranışlarına ve ruh haline etkisi yadsınamaz. Birçok dış uyarana göre kokuların hem duyusal hem de bilişsel etkileri, kokuyu karmaşık bir olgu haline getirmiştir. Bu yüzden koku verilerinin insan sinir sistemi üzerine olan etkileri henüz kesin yargılarla ifade edilememektedir. Ayrıca koku fonksiyonu, bazı nörolojik hastalıklardan (Parkinson, Alzheimer, motor nöron rahatsızlıkları) etkilenmekte, kokuya olan hassasiyet, farklı kokuları ayırt etme ve kokuyu tanıma algısı azalabilmektedir. Klinik tedavilerde bu durum bazen gözden kaçırılmaktadır. Beynin elektriksel aktivitesini inceleyebilmek için birçok elektro-fizyolojik yöntemler bulunmaktadır. Bu yöntemlerden biri olan Elektroensefalogram (EEG), beynin işleyişi hakkında yorumlar yapabilmek için önemli bir kaynaktır. Bu çalışmada iyi – kötü koku verilerine ilişkin EEG işaretlerinin analizi ve sınıflandırılması amaçlanmıştır. Katılımcılara uygulanan değerlendirme anketleri ve kokulara ait güç spektrum grafikleri yardımıyla en baskın 2’şer iyi – kötü koku belirlenmiştir. Kokulara ait EEG verilerine ayrık dalgacık dönüşümü (ADD) uygulanmış ve istatiksel işlemlerle öznitelik vektör boyutu azaltılmıştır. Sınıflandırıcı olarak WEKA veri madenciliği programına ait çok katmanlı algılayıcılar, k-en yakın komşuluk, naive bayes ve rastegele orman algoritmaları kullanılmıştır. Diferansiyel gelişim algoritması ile kanal seçimi yapılıp sınıflandırma işlemleri tekrarlanmış ve sonuçlar karşılaştırılmıştır. Tüm kanalların kullanıldığı aşamada, her katılımcıya ait en başarılı 2 bandın birleştirildiği sınıflandırma sonuçlarına bakıldığında NB % 70.93, kNN % 92.76, ÇKA % 92.73 ve RO algoritması %99.19 başarım oranları elde edilmiştir. Seçilen 5 kanalın kullanıldığı aşamada sınıflandırma sonuçlarına bakıldığında NB % 68.45, kNN % 88.95, ÇKA % 88.83 ve RO algoritması %97.58 başarım oranları elde edilmiştir. Mevcut çalışma ile beynin hangi bölgelerinin ve frekans bantlarının koku ile ilişkili olduğu kestirilmeye çalışılmıştır. Ayrıca yöntemin klinik tedavilerde bazı nörolojik hastalıkların erken tespitinde kullanılabileceği düşünülmektedir. Anahtar Kelimeler: EEG, Koku, Dalgacık Dönüşümü, WEKA, Sınıflandırma, Kanal SeçimiÖğe Şizofreni teşhisinde bir nöro-isaretçi olarak EEG uyumluluğu(IEEE-Institute of Electrical Electronics Engineers INC., 2020) Şeker, Mesut; Özerdem, Mehmet SiraçBu deneysel çalışmada, şizofreni (sch) hastalığı tespitinde EEG uyumluluk tabanlı bir yaklaşım önerilmiştir. Bu bağlamda 16 kanallı EEG sisteminde 6 inter-hemisferik, 3 sol ve 3 sağ intra-hemisferik elektrot çiftleri ile hesaplanan uyumluluk değerleri, öznitelik vektörü olarak kullanılmıştır. sch ve sağlıklı (norm) katılımcılara ait uyumluluk değerlerinin ayırt edilmesinde k en yakın komşuluk (k-NN), destek vektör makinası (SVM) ve çok katmanlı algılayıcılar (MLP) algoritmalarından faydalanılmıştır. Önerilen çalışmada, beynin tüm bölgelerinde, sch hastalarına ait uyumluluk ölçümlerinin norm gruba göre daha düşük seyrettiği gözlemlenmiştir. sch hasta grubunda yüksek frekans bantlarında (beta-gama) artan uyumluluk değerleri gözlemlenmiştir. Inter-hemisferik elektrot çiftlerinde (F3-F4, C3-C4) daha yüksek genlikte uyumluluk değeri gözlenirken intra-hemisferik elektrotlara göre sch teşhis oranları da daha yüksektir. Inter-hemisferik eletrotların bu denli başarılı olmasının kaynağı iki farklı yarım kürede konumlanan elektrotlar arasında belirli bir mesafenin olmasıdır. Ayrıca hastalık tespiti sağ yarım kürede, sol yarım küreye nazaran daha efektif yapılmaktadır. sch-norm ikili sınıflandırmada en yüksek başarım oranı %99.22 ile k-NN algoritmasıyla elde edilmiştir. Mevcut çalışmanın klinik uygulamalarda sch hastalığı teşhisinde etkin çözümler üretebileceği düşünülmektedir
