Yazar "Yünden, Sena" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Depresif bozuklukta intihar davranışını öngörmede ses analizi incelenmesi
    (Necmettin Erbakan Üniversitesi, Tıp Fakültesi, 2024) Yünden, Sena; Ak, Mehmet
    Amaç: İntihar dünya genelinde önlenebilir ölümlerin önde gelen nedenlerinden biridir. İntiharla en güçlü ilişkilendirilen psikiyatrik bozukluk depresyondur. Klinik ortamlarda intihar riskini değerlendirebilecek nesnel verilere ihtiyaç duyulmaktadır. Ses analizi nörofizyolojik değişiklikleri yansıtması, kolay ulaşılabilir ve uygulanabilir olması açısından önemlidir. Çalışmamızda ses analizine dayalı makine öğrenme algoritması ile geliştirilen sınıflandırıcı ile depresyonu olan hastalarda intihar davranışını öngörmede sesle ilişkili değişkenlerin etkisinin incelenmesi ve ses analizi sonuçlarının ileride yapay zekâ algoritmaları için başlangıç teşkil etmesi amaçlanmıştır. Gereç ve Yöntem: Çalışmamız üç gruptan oluşmaktadır: DSM-5’e göre Majör Depresif Bozukluk (MDB) tanı kriterlerini karşılayan son on gün içerisinde intihar girişimi olan (n=30) intihar grubu, MDB tanı kriterlerini karşılayan, aktif intihar düşüncesi bulunmayan (n=30) depresyon grubu ve bilinen psikiyatrik tanısı ve ilaç kullanımı olmayan (n=30) kontrol grubu. Katılımcılara Sosyodemografik Veri Formu, Hamilton Depresyon Ölçeği, Hamilton Anksiyete Ölçeği, Columbia İntihar Şiddetini Derecelendirme Ölçeği/İntihar Davranışı Alt Ölçeği, Young Mani Derecelendirme Ölçeği, Beck Umutsuzluk Ölçeği uygulanmıştır. Katılımcılara standart metin okutulmuştur. Tüm ses kayıtları 16-bit çözünürlüğe sahip 44100 Hz örnekleme hızında dijitalleştirilmiştir ve sinyal işleme teknikleri kullanılarak analiz edilmiştir. Analizler, “Depresyon veya değil”, “İntihar veya değil”, ve “Depresyon veya İntihar” olarak üç görev için özellik çıkarma ve model eğitimi içerir. Mel Frekans Cepstral Katsayıları (MFCC), derin (VGGish), formant ve prozodik özellikler çıkarılmıştır. Makine öğrenme algoritması olarak Destek Vektör Makinesi (SVM) kullanılmıştır. Değerlendirmelerimiz 10 kat çapraz doğrulama kullanılarak gerçekleştirilmiş ve doğruluk, kesinlik, duyarlılık, F1 ve özgüllük dahil olmak üzere metriklerle sunulmuştur. Bulgular: “İntihar veya değil” ve “Depresyon veya İntihar” görevleri için MFCC temsili; “Depresyon veya değil” görevi için derin (VGGish) temsili daha başarılı bulundu. MFCC temsili ile "İntihar veya değil" görevinde doğruluk, kesinlik, duyarlılık, F1 ve özgüllük metrikleri için sırasıyla 0.900, 0.883, 0.933, 0.904 ve 0.866; "Depresyon veya İntihar" görevinde sırasıyla 0.683, 0.662, 0.767, 0.700 ve 0.600 oranları elde edildi. "Depresyon veya değil" görevi için VGGish temsili ile doğruluk, kesinlik, duyarlılık, F1 ve özgüllük metrikleri için sırasıyla 0.733, 0.810, 0.700, 0.716 ve 0.767 oranları elde edildi. Sonuç: Bilgimiz dahilinde, çalışmamız intihar riskini belirleme derin (VGGish) ile diğer (MFCC, formant, prozodik) ses parametrelerini karşılaştıran ilk çalışmadır. Tasarlanan SVM sınıflandırıcısında MFCC ve derin (VGGish) temsilleriyle yüksek sınıflandırma performansına ulaşılmıştır. Makine öğrenme algoritmasının daha geniş örneklemli çalışmalarla desteklenmesi sınıflandırma gücünü arttırması açısından önemlidir.