Geri Dön

A Comprehensive Study on Data Augmentation Approaches for Imbalanced Epileptic EEG Signal Classification

Dengesiz Epileptik EEG Sinyal Sınıflandırması İçin Veri Artırma Yaklaşımları Üzerine Kapsamlı Bir Çalışma

  1. Tez No: 1008804
  2. Yazar: AHMET GÖKAY ÇALIŞ
  3. Danışmanlar: DOÇ. DR. HALİT ERGEZER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektroensefalografi (EEG) sinyallerinden Makine Öğrenmesi (ML) algoritmaları ile epilepsi tespiti günümüzde sıklıkla kullanılan yöntemlerden biridir. ML algoritmalarının sınıflandırıcı performansını olumsuz yönde etkileyen problemlerden biri olan veri dengesizliği farklı teknikler kullanılarak iyileştirilebilmektedir. Bu tezde, Bonn Üniversitesi tarafından hazırlanmış olan dengesiz EEG veri seti kullanılmıştır. Veri seti derinlemesine incelendikten sonra, veri artırma yöntemleri ile dengeli hale getirilmiştir. Çalışmada ham veri seti ve sekiz farklı Sentetik-Azınlık Aşırı Örnekleme Tekniği (SMOTE) ile dengeli hale getirilmiş veri seti üç farklı ML algoritmasına aktarılarak sınıflandırma problemi olarak ele alınmıştır. Sonrasında, literatürde sıklıkla kullanılan EEG sinyal işleme teknikleri kullanılarak, sinyallerden beş farklı (Zaman-alanı özellikleri, Ayrık Dalgacık Dönüşümü, Sürekli Dalgacık Dönüşümü, Güç Spektrum Yoğunluğu, Hızlı Fourier Dönüşümü) öznitelik aile yapısında öznitelik çıkartımı gerçekleştirilmiştir. Farklı SMOTE yöntemleri ile dengeli hale getirilen veri setinden oluşturulan öznitelik aileleri, tekil ve çoklu kombinasyonlar halinde Torbalanmış Ağaçlar, Kaba-KNN ve Yapay Sinir Ağlarını içeren farklı sınıflandırıcılara girdi olarak aktarılmıştır. Sınıflandırma işlemi sonucunda hangi sinyalin epileptik hangi sinyalin sağlıklı bireye ait olduğu sonucuna ulaşılmıştır. Ayrıca çalışmada, öznitelik çıkartımı dışında veri setindeki sınıflar arası dengesizliği giderildikten sonra sınıflandırıcı başarısına dayanan kombine metot yaklaşımı gerçekleştirilmiştir. Bu yaklaşıma göre, en yüksek sınıflandırıcı performansına sahip veri setleri başarı oranlarına göre ağırlıklandırılarak sınıflandırıcı üzerindeki etkileri araştırılmıştır. Ayrıca, oluşturulan veri setlerinin istatistiksel özelliklerine bakılarak veri dengeleme işlemlerinin sinyaller üzerindeki etkileri incelenmiştir. Sınıflandırıcı performansını değerlendirmek için doğruluk, kesinlik, MCC değeri ve F1 Skor metrikleri incelenerek sınıflandırıcılar ile çıkartılan öznitelik aileleri arasında kapsamlı bir performans değerlendirilmesi gerçekleştirilmiştir.

Özet (Çeviri)

Epilepsy detection from electroencephalography (EEG) signals using Machine Learning (ML) algorithms is one of the most frequently used methods today. Data imbalance, one of the problems that negatively affects the performance of ML classifiers, can be improved using various techniques. In this thesis, an imbalanced EEG dataset prepared by the University of Bonn was used. After an in-depth analysis of the dataset, it was balanced using data augmentation methods. In this study, the raw dataset and the dataset balanced with eight different Synthetic-Minority Over Sampling Technique (SMOTE) methods were fed to three different ML algorithms to address the classification problem. Subsequently, using EEG signal processing techniques frequently used in the literature, feature extraction was performed from the signals in five different feature family structures (Time-domain features, Discrete Wavelet Transform, Continuous Wavelet Transform, Power Spectrum Density, Fast Fourier Transform). The feature families generated from the dataset, balanced using different SMOTE methods, were fed as input to various classifiers, including Bagged Trees, Coarse K-Nearest Neighbors (KNN), and Artificial Neural Networks, in both single and multiple combinations. As a result of the classification process, it was concluded which signal belonged to an epileptic and which to a healthy individual. In this study, a combined method approach based on classifier performance was implemented after correcting the imbalance between classes in the dataset, in addition to feature extraction. According to this approach, the datasets with the highest classifier performance were weighed according to their success rates to investigate their effects on the classifier. Furthermore, the statistical properties of the generated datasets were examined to examine the effects of data balancing on the signals. To evaluate classifier performance, a comprehensive performance evaluation was conducted. between the classifiers and the extracted feature families by examining accuracy, precision, MCC value, and F1 Score metrics.

Benzer Tezler

  1. Tez No

    970074

    Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma

    Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size

    GAMZE AĞIRTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN

  2. Tez No

    972760

    A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles

    İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi

    BURCU SÖNMEZ SARIKAYA

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞERİF BAHTİYAR

  3. Tez No

    1011453

    Büyük dil modeli tabanlı veri artırma ile dengesiz veri setlerinde sahte haber sınıflandırma

    Fake news classification in imbalanced datasets with llm-based data augmentation

    AHMET OKAN ARIK

    Doktora

    Türkçe

    Türkçe

    2026

    Bilim ve Teknolojiİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. GİZEM PARLAYANDEMİR SAYAN

    DR. SERRA ÇELİK

  4. Tez No

    946682

    Veri artırma teknikleri ile iyileştirilmiş çok modlu duygu tanıma sistemi tasarımı ve uygulaması

    Design and implementation of a multimodal emotion recognition system enhanced by data augmentation techniques

    EMRAH DİKBIYIK

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖNDER DEMİR

    DOÇ. DR. BUKET DOĞAN

  5. Tez No

    965187

    Veri arttırma tekniğinin endüstriyel bir problemde incelenmesi

    Investigation of the data augmentation technique in an industrial problem

    ALPTEKİN KAVAKOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriSakarya Üniversitesi

    İmalat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GARİP ERDOĞAN

    DR. ÖĞR. ÜYESİ -

Geri Dön