Comparative analysis of machine learning algorithms for schizophrenia detection

Halil İbrahim Coşar; Muhammet Emin Şahin

Makale detayları

Comparative analysis of machine learning algorithms for schizophrenia detection

Yazarlar:

Halil İbrahim Coşar | Muhammet Emin Şahin

Yayıncı:

Yozgat Bozok University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Bozok Journal of Engineering and Architecture Vol.3 Issue 2, pp.33-41

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001331171

pISSN:

3023-4298

Anahtar kelimeler:

Özet:

 As mental and neurological disorders continue to rise globally, research utilizing artificial intelligence to analyse and classify differences in EEG signals is growing rapidly. This study utilises six different machine learning algorithms for detecting schizophrenia SZ using multichannel EEG signals. In the initial phase of this study, pre-processing is carried out, followed by the application of 13 distinct feature extraction techniques. The extracted features are subsequently classified using various machine learning algorithms, leading to classification accuracies up to 1.00 in four algorithms which are Decision Tree, Random Forest, Support Vector Machines SVM and Gradient Boosting. In addition, 5-fold cross-validation is applied to increase the reliability of the study. The findings indicate that the study achieved remarkable success and demonstrates the potential for effectively detecting schizophrenia using EEG signals.

 As mental and neurological disorders continue to rise globally, research utilizing artificial intelligence to analyse and classify differences in EEG signals is growing rapidly. This study utilises six different machine learning algorithms for detecting schizophrenia SZ using multichannel EEG signals. In the initial phase of this study, pre-processing is carried out, followed by the application of 13 distinct feature extraction techniques. The extracted features are subsequently classified using various machine learning algorithms, leading to classification accuracies up to 1.00 in four algorithms which are Decision Tree, Random Forest, Support Vector Machines SVM and Gradient Boosting. In addition, 5-fold cross-validation is applied to increase the reliability of the study. The findings indicate that the study achieved remarkable success and demonstrates the potential for effectively detecting schizophrenia using EEG signals.

 As mental and neurological disorders continue to rise globally, research utilizing artificial intelligence to analyse and classify differences in EEG signals is growing rapidly. This study utilises six different machine learning algorithms for detecting schizophrenia SZ using multichannel EEG signals. In the initial phase of this study, pre-processing is carried out, followed by the application of 13 distinct feature extraction techniques. The extracted features are subsequently classified using various machine learning algorithms, leading to classification accuracies up to 1.00 in four algorithms which are Decision Tree, Random Forest, Support Vector Machines SVM and Gradient Boosting. In addition, 5-fold cross-validation is applied to increase the reliability of the study. The findings indicate that the study achieved remarkable success and demonstrates the potential for effectively detecting schizophrenia using EEG signals.

 Zihinsel ve nörolojik bozukluklar küresel olarak artmaya devam ederken, EEG sinyallerindeki farklılıkları analiz etmek ve sınıflandırmak için yapay zekadan yararlanan araştırmalar hızla artmaktadır. Bu çalışmada, çok kanallı EEG sinyallerini kullanarak şizofreniyi SZ tespit etmek için altı farklı makine öğrenimi algoritması kullanılmaktadır. Bu çalışmanın ilk aşamasında, ön işleme gerçekleştirilmekte ve ardından 13 farklı özellik çıkarma tekniği uygulanmaktadır. Çıkarılan özellikler daha sonra çeşitli makine öğrenimi algoritmaları kullanılarak sınıflandırılmış ve Karar Ağacı, Rastgele Orman, Destek Vektör Makineleri DVM ve Gradyan Güçlendirme olmak üzere dört algoritmada 1.00e varan sınıflandırma doğrulukları elde edilmiştir. Ayrıca, çalışmanın güvenilirliğini artırmak için 5 kat çapraz doğrulama uygulanmıştır. Bulgular, çalışmanın kayda değer bir başarı elde ettiğini ve EEG sinyallerini kullanarak şizofreniyi etkili bir şekilde tespit etme potansiyelini ortaya koyduğunu göstermektedir.

Makale detayları

Comparative analysis of machine learning algorithms for schizophrenia detection

Yazarlar:

Halil İbrahim Coşar | Muhammet Emin Şahin

Yayıncı:

Yozgat Bozok University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Bozok Journal of Engineering and Architecture Vol.3 Issue 2, pp.33-41

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001331171

pISSN:

3023-4298

EEG

Machine Learning

Classification

SchizophreniaEEG

Makine Öğrenmesi

Sınıflandırma

Şizofreni

Sayı

Makale detayları

Yazarlar: Halil İbrahim Coşar | Muhammet Emin Şahin

Yayıncı: Yozgat Bozok University

Ana Başlıklar: Makine Öğrenme (Diğer)

Dergi: Bozok Journal of Engineering and Architecture Vol.3 Issue 2, pp.33-41

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001331171

pISSN: 3023-4298

Sayı

Yazarlar:

Halil İbrahim Coşar | Muhammet Emin Şahin

Yayıncı:

Yozgat Bozok University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Bozok Journal of Engineering and Architecture Vol.3 Issue 2, pp.33-41

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001331171

pISSN:

3023-4298