Derin Öğrenme Yöntemi Kullanarak Psikiyatri Kliniğinde Şiddet ve İntihar Girişimi Davranışlarının Tespiti

Abstract

Bu araştırmanın amacı psikiyatri yataklı servisinde intihar ve şiddet davranışlarının derin öğrenme yöntemi kullanarak tespitini sağlamaktır. Araştırma Göztepe Prof. Dr. Süleyman Yalçın Şehir Hastanesi Erişkin Erkek Psikiyatri Kliniğinde Mayıs-Temmuz 2024 tarihleri arasında yürütülmüştür. Araştırma https://clinicaltrials.gov/ adresine kayıt edilmiştir (ClinicalTrials.gov Identifier: NCT06421480). Araştırma kapsamında şiddet, şiddetsizlik ve intihar girişimi olmak üzere üç sınıf tanımlanmıştır. Şiddet ve şiddetsizlik sınıflarına ait eğitim verileri için Life Violence Situations Dataset kullanılırken, ası yoluyla intihar girişimi verileri özel olarak oluşturulmuştur. Üç sınıfa ait test verisi için ise özgün bir veri seti oluşturulmuştur. Görüntüler, dokuz oyuncu yardımıyla kamera kaydı yöntemiyle toplanmış; OpenPose algoritması kullanılarak açı ve pozisyon değişiklikleri hesaplanmıştır. Bu özellikler, azimutal yer değiştirme yönteminin uygulanmasıyla elde edilerek LSTM (Uzun Kısa Dönem Hafızası) ağına girdi olarak sunulmuştur. Doğruluk oranı %95 olan modelin gerçek zamanlı uyarı mekanizması, Telegram ve bilgisayar ekranı üzerinden “violence detected” veya “suicide attempt detected” mesajlarını iletecek şekilde tasarlanmıştır. Gerçek zamanlı değerlendirme aşamasında 4 tiyatro/drama oyuncusunun yardımı alınmıştır. Oyuncular gece ve gündüz sürelerince üç sınıfa ait tüm eylemleri gerçekleştirmiş ve kamera kaydı yapılmıştır. Kaydedilen görüntüler üzerinden üç sağlık çalışanının görüşü alınarak meydana gelen her şiddet ve intihar eyleminin başlangıç ve bitiş zamanlarını ortak bir değerlendirmeyle yazması istenmiştir. Modelin çalışması bittiğinde oluşan log dosyası sağlık çalışanlarının belirttiği başlangıç ve bitiş süreleriyle kıyaslanarak hem gerçek zamanlı etkinliği hem de insan gözüyle kıyaslandığında ki etkinliği değerlendirilmiştir. Gece çekimlerinde model 51 uyarı vermiş; bunların üçü gerçekte şiddet içermemesine rağmen “şiddet” şeklinde etiketlenmiştir. Yüze yastık kapama ve tekme atma davranışlarında uyarı vermesi gerekirken, vermemiştir. Gündüz çekimlerinde 122 uyarı alınmış, model gerçekleşen her şiddet eylemi için uyarı vermiştir. Şiddetsiz eylemlerde 37 yanlış şiddet uyarısı gözlenmiştir. Bu değerlendirme sonucunda gece ve gündüz sürelerince hemen hemen tüm şiddet ve intihar girişimi eylemlerinin tespit edildiği sonucuna varılmıştır. Anahtar Kelimeler: Şiddet, Şiddetsizlik, İntihar Girişimi, Derin Öğrenme, Psikiyatri KliniğiThe purpose of this study is to detect suicidal and violent behaviors in an inpatient psychiatric setting using a deep learning approach. The research was conducted between May and July 2024 at the Adult Male Psychiatry Clinic of Göztepe Prof. Dr. Süleyman Yalçın City Hospital and registered at https://clinicaltrials.gov (ClinicalTrials.gov Identifier: NCT06421480). Within the scope of the study, three classes were defined: violence, non-violence, and attempted suicide. While the Life Violence Situations Dataset was employed for training data concerning violence and non-violence, an additional dataset for attempted suicide by hanging was specifically created. An original dataset was then constructed for testing across all three classes.Video data were collected using camera recordings of nine actors, after which angle and position changes were computed via the OpenPose algorithm. The resulting features, obtained by applying azimuthal displacement, were subsequently fed into an LSTM (Long Short-Term Memory) network. The model achieved an accuracy rate of 95% and was equipped with a real-time alert mechanism that provides “violence detected” or “suicide attempt detected” notifications via Telegram and computer screens.During the real-time evaluation phase, four theater/drama actors performed all three classes of actions (violence, non-violence, and attempted suicide) both day and night, while their behaviors were recorded. Three healthcare professionals then reviewed these recordings and jointly determined the start and end times of each violent and suicidal act. Upon completion, the model’s log file was compared against these reference times to evaluate both real-time performance and agreement with human observation. During nighttime recordings, the model issued 51 alerts, with three falsely labeled as violence, and failed to detect covering the face with a pillow and kicking behaviors. In daytime recordings, 122 alerts were generated, capturing all actual violent incidents but mistakenly labeling 37 non-violent acts as violent. Based on this assessment, it was concluded that nearly all violent and suicidal behaviors were successfully detected in both daytime and nighttime sessions. Keywords: Violence, Non-violence, Suicide Attempt, Deep Learning, Psychiatry Clinic