SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2026 / Cilt: 17 Sayı: 1

An Innovative Paranoid Schizophrenia Disease Detection Method with Ompat Pattern Using EEG Signals

Ömer Aksu(ERZURUM TECHNICAL UNIVERSITY)0009-0008-1687-5473
Sefa Kucuk(ERZURUM TECHNICAL UNIVERSITY)0000-0002-0279-3185
Pages
—
Publication Date
2026-03-24
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results indicate that the SVM algorithm achieved an accuracy of 98.16% in individual channels.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study proposes an innovative approach to analyze EEG (electroencephalography) signals for the diagnosis of paranoid schizophrenia.
📊
Key Findings & Data:It introduces a novel feature extraction method called the Ompat pattern, which represents EEG signals as a directed graph within a 6×6-dimensional structure to capture specific signal patterns.
💡
Conclusion & Impact:The results indicate that the SVM algorithm achieved an accuracy of 98.16% in individual channels.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:EEG · paranoid schizophrenia · Ompat pattern

Abstract

This study proposes an innovative approach to analyze EEG (electroencephalography) signals for the diagnosis of paranoid schizophrenia. It introduces a novel feature extraction method called the Ompat pattern, which represents EEG signals as a directed graph within a 6×6-dimensional structure to capture specific signal patterns. The method extracts 20-bit features from each edge, generating a total of 20 edges that provide meaningful data for classification. K-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest, and Fine Tree algorithms are utilized in the classification phase. The classification performance across different EEG channels is evaluated, and accuracy rates are optimized through the majority voting method. The results indicate that the SVM algorithm achieved an accuracy of 98.16% in individual channels. When majority voting is applied, the accuracy increases to 98.25%, with the best performance observed in channel 12. The experimental results suggest that the proposed method has the potential to provide an automated and objective approach for diagnosing paranoid schizophrenia, thereby supporting clinical diagnostic processes.

Özet

This study proposes an innovative approach to analyze EEG (electroencephalography) signals for the diagnosis of paranoid schizophrenia. It introduces a novel feature extraction method called the Ompat pattern, which represents EEG signals as a directed graph within a 6×6-dimensional structure to capture specific signal patterns. The method extracts 20-bit features from each edge, generating a total of 20 edges that provide meaningful data for classification. K-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest, and Fine Tree algorithms are utilized in the classification phase. The classification performance across different EEG channels is evaluated, and accuracy rates are optimized through the majority voting method. The results indicate that the SVM algorithm achieved an accuracy of 98.16% in individual channels. When majority voting is applied, the accuracy increases to 98.25%, with the best performance observed in channel 12. The experimental results suggest that the proposed method has the potential to provide an automated and objective approach for diagnosing paranoid schizophrenia, thereby supporting clinical diagnostic processes.

🔖

Cite This Article

Aksu, Ö., Kucuk, S. (2026). An Innovative Paranoid Schizophrenia Disease Detection Method with Ompat Pattern Using EEG Signals. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 17 Sayı: 1. https://doi.org/10.24012/dumf.1725160

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (23)

  1. B. Serin, S. Emek, “Şizofreni hastalığının tanısına yönelik beyin dalgalarının derin öğrenme yöntemleri ile incelenmesi”, Mühendislik Bilimleri ve Araştırmaları Dergisi, cilt 5, sayı 2, ss. 325-337, 2023, doi: 10.46387/bjesr.1332678.
  2. N. G. Bayrak, N. Gürhan, “Hayat budur! damarlarındaki asil kanda mevcuttur!: Bir paranoid şizofreni olgusu.” Doğu Karadeniz Sağlık Bilimleri Dergisi, pp. 25-36, 2022.
  3. S. L. Oh, J. Vicnesh, E. J. Ciaccio, R. Yuvaraj, U. R. Acharya, “Deep convolutional neural network model for automated diagnosis of Schizophrenia using EEG signals,” Applied Sciences (Switzerland), vol. 9, no. 14, Jul. 2019, doi: 10.3390/app9142870.
  4. P. D. Barua, S. Dogan, T. Tuncer, M. Baygin, U. R. Acharya, “Novel automated PD detection system using aspirin pattern with EEG signals,” Computers in biology and medicine, vol. 137, p. 104841, October 2021, doi: 10.1016/j.compbiomed.2021.104841.
  5. N. G. Tosun, Ö. Kaplan, A. Özgür, “Evaluation of Anticancer and Antimicrobial Potentials of Tarantula cubensis Venom (Theranekron® D6),” Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 17, no. 3, pp. 626–637, Dec. 2024, doi: 10.18185/erzifbed.1463282.
  6. K. Kim, N. T. Duc, M. Choi, B. Lee, “EEG microstate features for schizophrenia classification,” PLoS One, vol. 16, no. 5, May 2021, doi: 10.1371/journal.pone.0251842.
  7. M. A. Vargas Cruz, “Paranoid schizophrenia diagnosis via complex network analysis on EEG data,” Precision Nanomedicine, pp. 1406-1413, January 2025, doi: 10.33218/001c.128586.
  8. R. M. Demirer, B. Kıran, “EEG sinyallerinin Banach uzayında Graf-Kuramsal bağlantı değişmezlik ölçütleri.” Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 39, no. 4, pp. 2143–2153, 2024, doi: 10.17341/gazimmfd.1013780.
  9. İ. Ceylan, F. Mete, “Representing the Turkish inverted sentences structure with graph drawings,” Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, vol. 33, no. 3, pp. 631–643, 2018, doi: 10.16986/HUJE.2017034350.
  10. A. B. Uşaklı, N. G. Gencer, “Elektriksel kaynak görüntüleme amaçlı 256 kanallı elektroensefalografi veri toplama sistemi,” 10. Biyomedikal Mühendisliği Ulusal Toplantısı (BİYOMUT 2004), Ocak 2004, İstanbul.
  11. E. Olejarczyk, W. Jernajczyk, “EEG in schizophrenia” [dataset]. RepOD; 2017. Version V1. doi:10.18150/repod.0107441. Available from: https://repod.icm.edu.pl/dataset.xhtml?persistentId=doi:10.18150/repod.0107441.
  12. J. K. Johannesen, J. Bi, R. Jiang, J. G. Kenney, C.-M. A. Chen, “Machine learning identification of EEG features predicting working memory performance in schizophrenia and healthy adults,” Neuropsychiatric electrophysiology, vol. 2, no. 1, December 2016, doi: 10.1186/s40810-016-0017-0.
  13. M. Akay, T. Tuncer, “Çok seviyeli dalgacık dönüşümü ve yerel ikili örüntüler tabanlı otomatik eeg duygu tanıma yöntemi,” International Journal of Innovative Engineering Applications, vol. 5, no. 2, pp. 75–80, Dec. 2021, doi: 10.46460/ijiea.904838.
  14. Z. Oralhan, “P300 tabanlı beyin bilgisayar arayüzü sistemlerinde uyaranlar arası sürenin ve uyaran yapısının performansa etkisi,” Duzce University Journal of Science and Technology, vol. 7, no. 3, pp. 1834–1846, July 2019, doi: 10.29130/dubited.562610.
  15. S. Metin, “One-dimensional center symmetric local binary pattern based epilepsy detection method,” Turkish Journal of Science and Technology, vol. 16 no. 1, 155-162, 2021.
  16. A. Eken, Ş. Çalışkan, S. Çivilibal, P. D. Tosun, “Sigara kullanma durumunun çoklu fizyolojik ölçümler ve makine öğrenmesi teknikleri kullanılarak tahmini,” Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, vol. 23, no. 67, pp. 55–69, Jan. 2021, doi: 10.21205/deufmd.2021236705.
  17. S. C. İleri, S. Aslan, S. Demirci, “Büyük veri optimizasyonu için kaynak-bağlantılı harmoni arama algoritmasının performans analizi”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, vol. 15, no. 2, pp. 151-160, 2022, doi: 10.54525/tbbmd.1090787.
  18. E. Üngüren, “Beynin nöroanatomik ve nörokimsayal yapısının kişilik ve davranış üzerindeki etkisi”, Uluslararası Alanya İşletme Fakültesi Dergisi, vol. 7, no. 1, June 2015.
  19. E. G. Abbasoğulları, F. B. Gunay, “Talasemi hastalığı tahmini için farklı makine öğrenmesi yöntemlerinin kullanılması ve karşılaştırılması,” Karadeniz Fen Bilimleri Dergisi, vol. 14, no. 4, pp. 1990–2007, December 2024, doi: 10.31466/kfbd.1512278.
  20. S. Q. O. Omar, C. Tepe, “EEG sinyallerini işlemek için makine öğreniminin kullanıldığı konular üzerine bir inceleme,” Bayburt Üniversitesi Fen Bilimleri Dergisi, vol. 5, no. 1, pp. 124–137, June 2022, doi: 10.55117/bufbd.1099025.
  21. H. Uyanık, S. T. A. Özçelik, A. Şengür, “Bir boyutlu evrişimsel sinir ağı yardımıyla faz kilitleme değeri ve diferansiyel entropi özellikleri kullanılarak eeg sinyallerinde duygu tanınması,” Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol. 35, no. 2, pp. 725–734, September 2023, doi: 10.35234/fumbd.1242223.
  22. A. Alan, M. Karabatak, “Veri seti-sınıflandırma ilişkisinde performansa etki eden faktörlerin değerlendirilmesi.”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, cilt. 32, no. 2, ss. 531-540, 2020, doi: 10.35234/fumbd.738007.
  23. H. Tohid, M. Faizan, U. Faizan, “Alterations of the occipital lobe in schizophrenia” Neurosciences Journal, vol. 20, no. 3, pp. 213-224, doi: 10.17712/nsj.2015.3.20140757.