Agri Hissinin Eeg Sinyalleri Kullanilarak Objektif Tahmini ve Derin Ögrenme Modelleri ile Derecelendirilmesi

Abstract

Ağrı, haz verici olmayan kompleks ve çok boyutlu olmak üzere kişilerin tecrübe ettiği his olarak tanımlanır. Ağrının objektif olarak sınıflandırılması, hastanelerde mönitörize olmuş hastalar için, kendini ifade edemeyen bireyler için ve ameliyat sonrası ya da esnasında anesteziye maruz kalmış kişiler için büyük önem taşımaktadır. Ayrıca ağrının subjektif olarak derecelendirilmesi kişiden kişiye yanıltıcı bir cevaba sebep olabilmektedir ve kişinin yanlış tedavi protkolüne yönlendirilmesi ile sonuçlanabilmektedir. Ağrının yapay zeka modelleri ile derecelendirilmesi sayesinde doğru tedaviye yönelim ve kendini ifade edemeyen bireylerin ağrı şiddetlerini derecelendirebilmesi hakkında bilgiye ulaşmak mümkün olabilecektir. Yapılan tez çalışmasında, ağrı uyarını verilerek bireylerden alınan EEG verileri bir boyutlu evrişimsel sinir ağı modeli (1 Dimensional Convolutional Neural Networks, 1D CNN) oluşturularak yüksek ve düşük ağrı olarak sınıflandırılmıştır. Modelde kullanılacak öznitelik seçimi için alınan EEG verileri öncesinde gürültülerden temizlenmiştir. Sonraki aşamada temizlenen verilere T-test uygulanarak fark oluşan bölümler belirlenmiştir. Belirlenen bölümlerden zaman-frekans cevabında öznitelikler çıkarılarak hazırlanan modelde kullanılmıştır. Tasarlanan model karşılaştırılma amaçlı derin öğrenme modellerinden olan özyinemeli sinir ağları (Reccurrent Neural Network, RNN) modeli ile karşılaştırılmıştır. Tez çalışmasının sonucunda alınan bilgiler dahilinde tasarlanan 1 boyutlu evrişimsel sinir ağları modelinin ortalama %92 oranında doğru sınıflandırma yaptığı gözlemlenmiştir. Elde edilen bulgular dahilinde ağrı hissinin objektif derecelendirilmesi için tasarlanan modelin iyi bir belirteç olabileciğini göstermektedir.

Pain is defined as a non-pleasurable, complex and multidimensional sensation experienced by people. Objective classification of pain is of great importance for patients who are monitored in hospitals, for individuals who cannot express themselves, and for people who have been exposed to anesthesia during or after surgery. In addition, subjective grading of pain can cause a misleading response from person to person and may result in the person being directed to the wrong treatment protocol. Thanks to the grading of pain with artificial intelligence models, it will be possible to reach information about orientation to the right treatment and grading the severity of pain of individuals who cannot express themselves. In the thesis study, EEG data obtained from individuals by giving pain stimulus was classified as high and low pain by creating a one-dimensional convolutional neural network model (1 Dimensional Convolutional Neural Networks, 1D CNN). The EEG data obtained for the feature selection to be used in the model were cleared of noise beforehand. In the next step, T-test was applied to the cleaned data and the parts that made a difference were determined. The features in the time-frequency response from the determined sections were extracted and used in the prepared model. The designed model was compared with the Reccurrent Neural Network (RNN) model, which is one of the deep learning models for comparison purposes. As a result of the thesis study, it was observed that the 1D convolutional neural network model, designed within the scope of the information received, made an average of 92% correct classification. The findings show that the model designed for objective grading of pain sensation can be a good marker.