Please use this identifier to cite or link to this item: https://hdl.handle.net/11499/57876
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorÇetin, Meriçen_US
dc.contributor.authorEryılmaz Baran, Firuze Damlaen_US
dc.date.accessioned2024-09-26T08:29:26Z-
dc.date.available2024-09-26T08:29:26Z-
dc.date.issued2024-
dc.identifier.urihttps://hdl.handle.net/11499/57876-
dc.description.abstractYapay Zeka teknolojilerinden medikal alan olmak üzere pek çok alanda yararlanılmaktadır. Bu alanlardan biri de Nöropsikolojik hastalıkların tespiti, teşhisi ve gerekli olması durumunda tedavi edilmesidir. Bu hastalıklar, günlük hayatımızda sıkça karşılaştığımız rahatsızlıklardır. Nöropsikoloji kapsamında pek çok rahatsızlıklar bulunmaktadır. Bu rahatsızlıkların tespit edilememesi durumunda hem bireyin hayati tehlikesi oluşmaktadır hem de çevresi için zorlu bir sürece sebep olmaktadır. Bu çalışma pek çok nöropsikolojik rahatsızlığı yapay zeka temelli sınıflandıran literatürdeki ilk tez çalışması olma özelliğini bulundurmaktadır. Bu çalışma kapsamında anksiyete bozukluğu, şizofreni bozukluğu, otizm spektrum bozukluğu, depresyon ve demans rahatsızlıklarını içeren beş farklı veri seti kullanılmıştır. Veri setleri üzerinde veri ön işleme, hiperparemetre optimizasyonu ile yapay zeka modellerinden faydalanılarak çalışmalar yapılmıştır. Makine öğrenmesi modelleri olarak XGBoost, LightGBM, Rastgele Orman, Destek Vektör Makineleri ve k- En Yakın Komşu kullanılmış ve doğruluk metrikleri üzerinden karşılaştırmalar yapılmıştır. Ayrıca makine öğrenmesi modelleri üzerinde hiperparametre optimizasyonu kullanılarak öncesi ve sonrası karşılaştırmaları da ayrıca yapılmıştır. Veri seti 1 için LightGBM tekniği %96 doğruluk oranı ile en yüksek başarıya sahip iken hiperparametre optimizasyonu sonrasında %97 doğruluk oranı ile SVM öne geçmiş ve en fazla doğruluk oranını vermiştir. Veri seti 3 için %98 doğruluk oranı ile XGBoost ve LightGBM teknikleri başarılı bir sonuç alırken hiperparametre optimizasyonu sonrasında bu oran değişmemiş ve XGBoost en başarılı sonucu vermiştir. Derin öğrenme teknikleri olarak Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Yineleme Birimi (GRU) modelleri veri setlerine uygun olarak kurgulanmıştır. Veri seti 2 için LSTM modeli %83 doğruluk oranı sonucunu vermiştir. Veri seti 4 için GRU modeli %93 oranı ile en yüksek doğruluk oranı sonucunu vermiştir. Veri seti 5 için LSTM ve GRU %99 doğruluk oranı ile yüksek bir sonuç vermiştir. Derin öğrenme modelleri sadece doğruluk oranları ile karşılaştırılmayıp öğrenme eğrileri ile de karşılaştırılmıştır. Bu çalışma ile nöropsikolojik rahatsızlıkların yapay zeka ile sınıflandırılabilmenin mümkün olduğunu açıkça gözler önüne sermektedir.en_US
dc.description.abstractArtificial Intelligence technologies are used in many areas, including the medical field. One of these areas is the detection, diagnosis and, if necessary, treatment of neuropsychological diseases. These diseases are disorders that we frequently encounter in our daily lives. There are many disorders within the scope of neuropsychology. If these disorders are not detected, both the individual's life may be in danger and it causes a difficult process for the environment. This study has the feature of being the first thesis study in the literature that classifies many neuropsychological disorders based on artificial intelligence. Within the scope of this study, five different data sets including anxiety disorder, schizophrenia disorder, autism spectrum disorder, depression and dementia disorders were used. Studies were conducted on the data sets by using data pre-processing, hyperparameter optimization and artificial intelligence models. XGBoost, LightGBM, Random Forest, Support Vector Machines and k- Nearest Neighbor were used as machine learning models and comparisons were made on accuracy metrics. In addition, before and after comparisons were made on machine learning models using hyperparameter optimization. For data set 1, LightGBM technique had the highest success rate with 96% accuracy, while after hyperparameter optimization, SVM came to the forefront with 97% accuracy and gave the highest accuracy rate. For data set 3, XGBoost and LightGBM techniques achieved a successful result with 98% accuracy, while this rate did not change after hyperparameter optimization and XGBoost gave the most successful result. As deep learning techniques, Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) and Gated Repetition Unit (GRU) models were designed in accordance with the data sets. For data set 2, LSTM model gave 83% accuracy rate. For data set 4, GRU model gave the highest accuracy rate with 93%. For data set 5, LSTM and GRU gave a high result with 99% accuracy rate. Deep learning models were not only compared with their accuracy rates but also with their learning curves. This study clearly shows that it is possible to classify neuropsychological disorders with artificial intelligence.en_US
dc.language.isotren_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectYapay Zekaen_US
dc.subjectNöropsikolojik Rahatsızlıklaren_US
dc.subjectMakine Öğrenmesien_US
dc.subjectDerin Öğrenmeen_US
dc.subjectEvrişimsel Sinir Ağlarıen_US
dc.titleBelirli nöropsikolojik rahatsızlıkların yapay zeka temelli sınıflandırılmasıen_US
dc.title.alternativeArtificial intelligence based classification of specific neuropsychological disordersen_US
dc.typeMaster Thesisen_US
dc.departmentPAÜ, Enstitüler, Fen Bilimleri Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.identifier.yoktezid880434en_US
dc.contributor.affiliationPamukkale Üniversitesien_US
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.languageiso639-1tr-
item.openairetypeMaster Thesis-
item.fulltextWith Fulltext-
item.cerifentitytypePublications-
Appears in Collections:Tez Koleksiyonu
Files in This Item:
File Description SizeFormat 
10488980.pdf3.57 MBAdobe PDFView/Open
Show simple item record



CORE Recommender

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.