Geri Dön

EEG sinyallerinde farklı boyut indirgeme ve sınıflandırma yöntemlerinin karşılaştırılması

The comparison of various dimension reduction and classification methods in EEG signals

PDF İndir

  1. Tez No: 440295
  2. Yazar: HAKAN ÖZTÜRK
  3. Danışmanlar: PROF. DR. MEVLÜT TÜRE, PROF. DR. NEFATİ KIYLIOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: Türkçe
  9. Üniversite: Adnan Menderes Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 111

Özet

Bu çalışmada, epileptik ve epileptik olmayan EEG sinyallerinden elde edilen özniteliklerin boyutlarının Temel Bileşenler Analizi (TBA) ve Bağımsız Bileşenler Analizi (BBA) yöntemleri ile indirgenmesinin sınıflandırma başarısı üzerine etkilerinin belirlenmesi ve Lineer Diskriminant Analizi (LDA) ile Destek Vektör Makinesi (DVM) yöntemlerinin sınıflandırma performanslarının karşılaştırılması hedeflendi. Çalışmaya 10 kontrol ve uzman hekim tarafından epilepsi tanısı konmuş 10 hasta olmak üzere toplam 20 kişi dahil edildi. Epilepsi tanısı konmuş hastalardan alınan EEG kayıtları nöbet geçirmedikleri sırada alınan kayıtlardı. Epileptik ve epileptik olmayan sinyalleri sınıflandırmak için Ayrık Dalgacık Dönüşümü (ADD) ile sinyallerinin spektral analizi gerçekleştirildi ve sınıflandırmada kullanılacak olan öznitelikler elde edildi. Öncelikle özniteliklerin boyutu indirgenmeden, daha sonra TBA ve BBA ile indirgenerek sınıflandırma yapıldı. Sınıflandırma LDA, lineer ve radyal tabanlı çekirdek fonksiyonlarının kullanıldığı DVM yöntemleri ile gerçekleştirildi. Sonuç olarak, en yüksek sınıflandırma başarısı %92,2 duyarlılık %85,6 özgüllük ve %88,9 doğruluk oranlarıyla özniteliklerde boyut indirgenme yapılmadan ve radyal tabanlı çekirdek fonksiyonunun kullanıldığı DVM yöntemi ile elde edildi. BBA ve TBA ile boyutu indirgenen özniteliklerle yapılan sınıflandırmalarda benzer sonuçlar elde edildi.

Özet (Çeviri)

In this study, it is aimed to find out the impact of features derived from epileptic and non epileptic EEG signals and the reduction of their dimensions by Principal Component Analysis (PCA) and Independent Component Analysis (ICA) on classification success and to compare the classification performances of Linear Discriminant Analysis (LDA) and Support Vector Machine (SVM). A total of 20 people,10 epilepsy patients who were diagnosed by specialist physicians and 10 non-epilepsy patients were included in the study. The EEG recordings taken from those who were diagnosed with epilepsy while they were not having seizures. To classify epileptic and non epileptic signals, first and foremost Discrete Wavelet Transform (DWT) and the spectral analysis of EEG signals were performed and features that would be used to classify the signals were obtained. First, features were classified without their dimentions being reduced. Then, they were classified after their dimensions were reduced by PCA and ICA. In this way, both the effects of PCA and ICA on the classification performance and the classification performances of LDA and SVM in which linear and radial basis kernel functions are used, were determined. While dimension reduction methods PCA and ICA improved classification performances of LDA and SVM in which linear basis function is used, they decreased the classification performance of SVM in which radial basis function is used. Also similar classification results were obtained by features whose dimensions were reduced by PCA and ICA. Generally calassification performance of SVM in which radial basis function is used, was higher than the other classification methods and the highest classification success with 92.5% sensitivity, 85.6% specificity, and 88.9% accuracy ratios were obtained by SVM method in which features, whose dimensions were not reduced and radial basis kernel function is used. Using the features obtained from the DWT coefficients a good discrimination can be obtained between normal and epileptic signals. Classification performance depends on using EEG signals, the features obtained from these signals, dimension reduction methods and the classification methods. Finally due to high classification performance of SVM in which radial basis function is used, it can be used as a decision support tool for physicians to diagnose epilepsy.

Benzer Tezler

  1. Tez No

    491127

    Feature extraction and classification of electroencephalographic (EEG) signals towards the use of brain-computer interface in cognitive applications

    Bilişsel uygulamalarda beyin-bilgisayar arayüzünün kullanımına yönelik özellik çıkarımı ve elektroensefalografik (EEG) sinyallerin sınıflandırılması

    SEZİN TUNABOYLU

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EFENDİ NASİBOĞLU

  2. Tez No

    338228

    Fuzzy cognitive maps for emotion modeling

    Bulanık bilişsel haritalar yardımıyla insan duygularının modellenmesi

    HASAN MURAT AKINCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ENGİN YEŞİL

  3. Tez No

    355470

    EEG sinyallerinden anomali tespiti

    Anomaly detection in EEG signals

    MUSA PEKER

    Doktora

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BAHA ŞEN

  4. Tez No

    672964

    Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti

    Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods

    ZÜLFİKAR ASLAN

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  5. Tez No

    768203

    Design and analysis of alzheimer disease detection system from EEG signals based on machine learning algorithms

    Alzheımer hastalık tespit sistemi tasarımı ve makine öğrenme algoritmalarına dayalı EEG sinyallerinden analizi

    HUSSEIN OBAID NAYEL NAYEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN

Geri Dön