Destek vektör makineleri ile EEG işaretlerinin sınıflandırmasında TBA,BBA ve DAA'nın performansının karşılaştırılması
A comparison of PCA, ICA and LDA in EEG signal classification using support vector mashines
- Tez No: 252536
- Danışmanlar: YRD. DOÇ. DR. ŞABAN ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2009
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
EEG işaretlerinin beynin fonksiyonları hakkında çok miktarda bilgi içerdiği bilinmektedir. Epilepsi teşhisinde EEG önemli bir bilgi kaynağı olduğu için, birçok araştırmacı EEG işaretlerinden bu amaca uygun bilgi elde etmeye çalışmışlardır.Bu çalışmada sunulan yöntemde, önce EEG işaretlerine öz bağlanımlı (AR) uygulanarak güç spektrumu elde edilmiş, daha sonra elde edilen özellik vektörleri TBA, BBA ve DAA kullanılarak boyut indirgemesi yapılmış; elde edilen değerler destek vektör makinesi (DVM) ile sınıflandırılmaya tabi tutulmuş ve çıkışta epileptik veya epileptik değil şeklinde sınıflandırma gerçekleştirilmiştir. İşaretteki özelliklerin belirlenerek hekime sara tanısında yardımcı olacak, otomatik bir sistem elde edilmesi amaçlanmıştır. DVM ile yapılan EEG sınıflandırmasında DAA'nın daha iyi sonuçlar verdiği ve bu sonuçların hastalık teşhisinde kullanılabileceği görülmüştür.
Özet (Çeviri)
Since EEG is one of the most important sources of information in diagnosis of epilepsy, several researchers tried to address the issue of decision support for such a data. We present a method for classifying epilepsy of full spectrum EEG recordings.In the proposed method, autoregressive (AR) model is used to acquire power spectrum of EEG signals, then dimension of the extracted feature vectors is reduced by using ICA, PCA and LDA, and these vectors used as an input to a support vector machine (SVM) with two discrete outputs: epileptic seizure or not. By identifying features in the signal we want to provide an automatic system that will support a physician in the diagnosing process. It is observed that, SVM classification of EEG signals gives better results and these results can also be used for diagnosis of diseases.
Benzer Tezler
- Tek sınıf destek vektör makineleri kullanılarak epileptik EEG işaretlerinin sınıflandırılması
Epileptic EEG signal classification using one-class support vector machines
ERCAN AVŞAR
Yüksek Lisans
Türkçe
2009
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA ERSEL KAMAŞAK
- EEG işaretlerinin diskriminant analizi ile sınıflandırılması
Classification of EEG signals by using discriminant analysis
OĞUZHAN ÖZER
Yüksek Lisans
Türkçe
2010
BiyomühendislikKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ALKAN
- Elektroensefalografi işaretlerinin makine öğrenmesi algoritmaları ile incelenmesi ve sınıflandırılması
Analysis and classification of electroencephalography signal using machine learning algorithms
ŞULE BEKİRYAZICI
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ YILMAZ
- İmlecin iki boyutlu hareketinin hayali sırasında kaydedilmiş EEG işaretlerinin karar ağaç yapısı esaslı sınıflandırılması
Decision tree based classification of EEG signals recorded during two dimensional cursor movement imagery
ÖNDER AYDEMİR
Doktora
Türkçe
2013
BiyomühendislikKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TEMEL KAYIKÇIOĞLU
- EEG işaretlerinin epileptik nöbet kestiriminde modern yöntemlerle analizi ve sınıflandırılması
The analysis and classification of EEG signals in the epileptic seizure prediction by modern methods
ERHAN BERGİL
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET RECEP BOZKURT