Comparative analysis of machine learning algorithms for schizophrenia detection

Coşar H. İ., Şahin M. E.

Bozok Journal of Engineering and Architecture, cilt.3, sa.2, ss.33-41, 2024 (Hakemli Dergi)

Özet

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 1.00'e 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.
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.