Makina temelli öğrenim sistemi: DEHB olan ve olmayan katılımcıların sınıflandırılması

Abstract

Dikkat Eksikliği ve Hiperaktivite Bozukluğu (DEHB), psikiyatri servislerine başvuran çocuklarda en çok rastlanan rahatsızlıktır. Bu bozukluk 20. Yüzyılın başında tanımlanmasına rağmen, teşhisinde halen ciddi sorunlar yaşanmaktadır. Bu çalışmada, Olaya ilişkin Potansiyel (OİP) verilerinden çıkarılan zaman frekans özellikleri kullanılarak DEHB olan çocukların bu bozukluğu taşımayanlara göre sınıflandırılması elde edilmiştir. Bu özniteliklerin DEHB teşhisinde en etkili olanları Destek Vektör Makinesi – Yinelemeli Öznitelik Seçimi yöntemiyle belirlenmiş ve bu özniteliklerle eğitilen Destek Vektör Makinesi, üç öznitelik kullanıldığında %98 ve altı öznitelik kullanıldığında %99.5 doğrulukla DEHB teşhisi koymayı başarmıştır. Sonuçlar Tekrarlanan Çapraz Geçerlilik Yöntemiyle elde edilmiştir. Ayrıca, bu yöntem Kararlılık Seçimi ile desteklenerek DEHB tanısında en etkili öznitelikler belirlenmiştir. Ayrıca yeni bir tasarımla önerilen düzenek test edilmiş ve % 100 doğruluk elde edilmiştir. Sonuçlar, çalışmadaki düzeneğin psikiyatrik bozuklukların tanısında ve seyrinde kullanılabileceğini göstermektedir.

Attention-deficit/hyperactivity disorder (ADHD) is the most frequent diagnosis among children who are referred to psychiatry departments. Although ADHD was discovered at the beginning of the 20th century, its diagnosis is confronted with many problems. In this paper, a novel classification approach that discriminates ADHD and non-ADHD groups over the timefrequency domain features of ERP recordings is presented. Support Vector Machine-Recursive Feature Elimination (SVMRFE) was used to obtain best discriminating features. When only three of these features were used the accuracy of classification reached to 98%, and use of six features further improved classification accuracy to 99.5%. The proposed scheme was tested with a new experimental setup and 100% accuracy is obtained. The results were obtained using RCV. The classification performance of this study suggests that TFHA can be employed as a core component of the diagnostic and prognostic procedures of various psychiatric illnesses.