Disleksi ve DEHB tanılı çocuklarda fizyolojik sinyallerin sinyal işleme ve yapay zeka yöntemleri ile analizi ve sınıflandırılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, BİYOMEDİKAL MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: TUĞBA KARAASLAN

Danışman: Fatma Latifoğlu

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Tez çalışmasında, disleksi ve dikkat eksikliği hiperaktivite bozukluğu (DEHB) komorbiditesinin sinyal işleme ve makine öğrenme yöntemleri kullanılarak sınıflandırılması amaçlanmıştır. Disleksi, DEHB-disleksi komorbiditesi ve sağlıklı kontroller olmak üzere 7–15 yaş arası toplam 73 çocuk çalışmaya dâhil edilmiştir. Çocuklardan EOG, EDA ve EEG sinyalleri kaydedilmiştir. Sinyallere veri ön işleme yöntemleri uygulanış olup öznitelikler elde edilmiştir. Ayrıca sinyallere ampirik dalgacık dönüşümü (EWT) ve varyasyonel mod ayrıştırma (VMD) yöntemleri uygulanarak alt bantlara ayrıştırılmıştır ve alt bant sinyallerinden öznitelikler elde edilmiştir. Tüm öznitelikler LASSO yöntemi kullanılarak seçilmiş olup ADASYN yöntemi ile veri dengelenme işlemi gerçekleştirilmiştir. Seçilen özellikler ANN, KNN, RF ve SVM algoritmaları kullanılarak sınıflandırılmıştır. Çalışmada sınıflandırma performansı; doğruluk, duyarlılık, özgüllük, keskinlik F1-skoru ve eğri altında kalan alan gibi metriklerle değerlendirilmiştir. Sonuçlara göre, doğruluk oranının %95'in üzerinde olduğu, özellikle EOG ve EDA sinyallerinin birlikte kullanımıyla model başarısının arttığı (ANN, AUC: %91.18 → %96.11), EWT ve VMD tabanlı alt bant özelliklerinin de model ayrım gücünü yükselttiği görülmüştür. Disleksi ile tedavi altındaki DEHB-disleksi sınıflandırılmasında, ilaç tedavisinin önemli etkiye sahip olduğu ve sınıflandırma performansının gruplar arasında düştüğü görülmüştür (ANN, AUC: %80.4 → %50.2). Bu durum tedavinin DEHB ile ilişkili semptomları azalttığını göstermektedir. Sonuç olarak, önerilen yöntemlerin disleksi, DEHB komorbiditesi ve kontrol gruplarının yüksek doğrulukla sınıflandırılmasında etkili olduğu ortaya konmuştur.