EEG sinyallerinin epileptik rahatsızlıkların teşhisi için konvolüsyonel sinir ağları ve destek vektör makineleri ile tasnif edilmesi
Classification of EEG signals with convolutional neural networks and support vector machines for diagnosis of epileptic disorders
- Tez No: 527824
- Danışmanlar: DR. ÖĞR. ÜYESİ KASIM ÖZTOPRAK, DR. ÖĞR. ÜYESİ HÜSEYİN OKTAY ALTUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: KTO Karatay Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Epilepsi, uzmanların teşhis aşamasında verileri titizlikle incelemesini ve değerlendirmesini gerektiren bir nörolojik bozukluktur. Uzmanlara teşhis koymada yardımcı olabilmek için EEG sinyallerinin otomatik olarak sınıflandırılabilmesi önemlidir. Bu çalışmada, literatürde EEG ile öğrenme temsillerinin yapıldığı bir çalışmada uygulanan derin öğrenme mimarisinin bazı katmanları DVM ile değiştirilerek, literatürde şu ana kadar bir EEG sinyal bankası kullanılarak yapılan çalışmalar içinde en yüksek performans elde edilmiştir. Bu çalışmaya temel olan literatürdeki çalışmada da olduğu gibi, EEG sinyali önce normalize edilerek frekans uzayında ifade edilmiş ve akabinde iki boyutlu görüntü dizisi haline getirilmiştir. EEG ölçümü sırasında kafatasına yerleştirilen elektrotlardan elde edilen değerlerin bu resim üzerinde gösterimi ve bu resim üzerindeki eksik noktalarda sinyal gücünün tahmini için Clough-Tocher interpolasyon tekniğinden faydalanılmıştır. Literatürde temel aldığımız çalışmanın derin öğrenme mimarisindeki tam bağlantılı katmanı DVM ile değiştirildikten sonra, parametreler eğitim verileri üzerinde optimize edilmiş ve tekniğin EEG sinyalleri üzerinden epilepsi anlarını sınıflandırma performansının neredeyse kusursuz olduğu görülmüştür. Çalışma, EEG sinyallerinin öğrenme temsillerindeki kullanımı için geliştirilen bir metodun, KSA-DVM sentez modeline çevrilince, epilepsi sınıflandırılmasında çok başarılı bir performans göstermesi açısından literatürde önemli bir boşluğu doldurmaktadır.
Özet (Çeviri)
Epilepsy is a neurological disorder requiring specialists to scrutinize and evaluate medical data at diagnostic stage. It is crucial that EEG signals can be automatically classified in order to help the experts diagnose the disorder correctly. In this study, deep learning technique applied in a study (in which learning representations were obtained on EEG signals in the literature) was modified with replacing some layers of CNN architecture via SVM, and the highest known performance was obtained on a benchmark EEG signal database. Similar to a previous study in the literature, EEG signals were first normalized, converted to frequency space by fast Fourier transform and then transformed into a two-dimensional image sequence. Clough-Tocher technique was used for interpolation of the values obtained from the electrodes placed in the skull during the EEG measurement on the image and for estimating the signal strength in the missing places over the picture. After the parameters in the deep learning architecture were optimized on the training data, it was observed that the technique's performance of classifying epilepsy moments over EEG signals was almost perfect. This study completes a gap in the literature in terms of demonstrating a successful performance in the classification of epilepsy by a method developed for learning representations through EEG signals, with modification of some CNN layers via SVM classification techniques.
Benzer Tezler
- Electroencephalography (EEG) sinyal sınıflandırılmasında sinir-evrimi yaklaşımı
NeuroEvolutionary approach to electroencephalography (EEG) signal classification
ERDEM AYBEK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERİÇ ÇETİN
- Nonlinear dynamic analysis of eeg-signals using synchronization techniques
Eeg sinyallerinin senkronizasyon teknikleri kullanılarak doğrusal olmayan dinamik analizi
ALİ EED MOHAMMAD OLAMAT
Doktora
İngilizce
2019
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Öznitelik çıkarım ve evrimsel öznitelik seçim metotlarının EEG sinyallerinin sınıflandırma başarısına etkileri
Effects of feature extraction and differential evolution feature selection methods on classification success of EEG signals
FERDA ABBASOĞLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYLA GÜLCÜ
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- Korteks davranışının vuru üreten hücre modeli ile incelenmesi
Analysis of cortex behavior by a spiking neuron model
YUSUF KUYUMCU
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. NESLİHAN SERAP ŞENGÖR
- EEG-biofeedback and epilepsy: Concept, methodology and tools for (neuro)therapy planning and objective evaluation
Başlık çevirisi yok
MEHMET EYLEM KIRLANGIÇ