Farklı zaman ölçekli EEG işaretlerinden epilepsinin tespiti
Determination of epilepsy from different time scale EEG signs
- Tez No: 530503
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Elektroensefalografi, Electroencephalography
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Epilepsi dünya nüfusunun yaklaşık olarak %1'inde görülen, insanın yaşam kalitesini olumsuz etkiyen ve kendini sürekli nöbetler ile tekrarlayan yaygın bir hastalıktır. Bu hastalık insan beyninin bir bölümünde yahut tamamında meydana gelen ani, beklenmedik ve düzensiz elektriksel boşalma sunucu ortaya çıkan ciddi bir durumdur. Epilepsinin tespit ve tanısında kullanılan araçlardan biri olan Elektroensefalografi (EEG), epilepsi hakkında bilgi edinmek için önemli bir kaynaktır. Hızı, maliyeti, erişilebilirliği ve kullanım kolaylığından dolayı EEG oldukça yaygın olarak kullanılmaktadır. Bu özelliklerinden dolayı EEG birçok araştırmacının ilgilendiği bir araştırma konusu haline gelmiştir. EEG işaretleri ile epilepsinin otomatik tespiti için birçok örüntü tanıma sistemi geliştirilmiştir. Burada yapılan çalışmada Bonn Üniversitesi veri tabanından alınan sağlıklı ve epilepsi nöbeti geçiren deneklerden alınan A ve E işaret kümeleri kullanılarak gerçekleştirilen bir otomatik örüntü tanıma sistemi sunulmuştur. Çalışmada sunulan sistem ön işlem, özellik çıkarım ve sınıflandırma olmak üzere üç aşamadan meydana gelmiştir. Çalışmanın amacı farklı zaman ölçekli EEG işaretlerinden epilepsinin tespitini gerçekleştirmektir. Bu amaç doğrultusunda birinci aşamada, farklı zaman ölçekli EEG işaretleri elde etmek amacı ile 4096 örnek ve 23,6 saniyelik A ve E işaret kümleri, 128, 256, 512, 1024, 2048, 4096 örnek ve bunlara karşılık gelen 0.7375, 1.475, 2.95, 5.9, 11.8, 23.6 saniyelik bölütlere ayrılmıştır. Bu bölütleme işlemi ile farklı sayılarda, sürelerde ve uzunluklarda A(128), A(256), A(512), A(1024), A(2048), A(4096), E(128), E(256), E(512), E(1024), E(2048) ve E(4096) işaret kümleri elde edilmiştir. İkinci aşamada Peridogram ve Welch Güç Spektral Yoğunluk (Power Spectral Density (GSY)) kestirim yöntemleri kullanılarak EEG işaretlerinin spektral bilgisine ulaşılmıştır. Çalışmada farklı iki GSY kestirim yönteminin kullanılması ile EEG işaret bölütlerinin farklı spektral yöntemler ile davranış biçimleri incelenmeye çalışılmıştır. GSY kestiriminden sonra elde edilen işaretlerin özelliklerinin veri boyutunu azalmak için tüm EEG işaretlerine ortalama uygulanmış ve her bir bölüt 16 örnek uzunluğunda özellik vektörü ile temsil edilmiştir. Üçüncü aşamada her bir EEG bölütü için elde edilen ve 16 örnek uzunluğundaki özellik vektörleri 5-katlı çapraz doğrulama yöntemi kullanılarak K-En Yakın Komşu Algoritması (K-Nearest Neighbors Algorithm (K-NN)), Destek Vektör Makinesi (Support Vector Machine (SVM)) ve Aşırı Öğrenme Makinesi (Extreme Learning Machine (ELM)) ile sınıflandırılmıştır. Tüm sınıflandırıcılar için elde edilen başarım performansları literatürü destekler niteliktedir. Çalışmada birden fazla sınıflandırıcının kullanılması ile farklı EEG işaret bölütlerinin farklı GSY kestirimleri ile elde edilen özellik vektörlerinin farklı sınıflandırıcılardaki performansları incelenmeye çalışılmıştır. Çalışmanın sonunda sonuçlar irdelenmiş ve gelecekte yapılabilecek çalışmalara ışık tutması açısından önerilere yer verilmiştir.
Özet (Çeviri)
Epilepsy is a common disorder in approximately 1% of the world population, which adversely affects the quality of life of people and repeats itself with continuous bouts. This disorder is a serious condition that occurs in some or all of the human brain, sudden, unexpected and irregular electrical discharge server. Electroencephalography (EEG), one of the instruments used in the detection and diagnosis of epilepsy, is an important source for information about epilepsy. EEG is widely used because of its speed, cost, accessibility and ease of use. Because of these features, EEG has become a research topic that many researchers are interested in. Many pattern recognition systems have been developed for automatic detection of epilepsy with EEG signs. In this study, an automated pattern recognition system is presented using A and E sign sets obtained from healthy and epileptic seizure subjects taken from Bonn University database. The pretreatment system presented in this study, has three stages, namely feature extraction and classification occurs. The aim of this study is to realize the different time-scale detection of EEG signals from epilepsy. For this purpose, in the first stage, 4096 samples and 23.6 seconds A and E sign sets, 128, 256, 512, 1024, 2048, 4096 samples and corresponding 0.7375, 1.475, 2.95, in order to obtain different time-scale EEG signals, 5.9 divided into 11.8, 23.6 second segments. A(128), A(256), A(512), A(1024), A(2048), A(4096), E(128), E(256), E(512), E(1024), E(2048) and E(4096) were obtained. In the second stage, spectral information of EEG signals have been reached by using Peridogram and Welch Power Spectral Density (PSD) estimation methods. In this study, different spectral methods and behavior patterns of EEG signaling segments were tried to be investigated. After the PSD estimation, the average of all the EEG signals was applied to reduce the data size of the marks obtained and each segment was represented by the feature vector at 16 sample lengths. The third step obtained for each EEG segments and K-using the feature vectors of 5-fold cross-validation method in 16 sample length Nearest Neighbor Algorithm (K-NN), Support Vector Machine (SVM) and Excessive Learning Machine (ELM) are classified. Performance achievements for all classifiers support the literature. Performance of different classifiers, the EEG signal segments of different feature vectors obtained by using a plurality of classifiers with different PSD estimates study were studied. Consequently, the results are examined and some suggestions in terms of work that can be done to shed light on the future.
Benzer Tezler
- Development of nonlinear techniques and computational intelligence for information retrieval from multiscale time series across diverse signal domains
Çeşitli sinyal alanlarında çok ölçekli zaman serilerinden bilgi çıkarımı için doğrusal olmayan tekniklerin ve hesaplamalı zekânın geliştirilmesi
FUAT KAAN MİRZA
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKadir Has ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
DOÇ. DR. TUNÇER BAYKAŞ
- EEG sinyalleri kullanarak epileptik nöbetlerin önceden tahmin edilmesi
Prediction of epileptic seizures in advance using EEG signals
ATAKAN DAŞDEMİR
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HUMAR KAHRAMANLI ÖRNEK
- Rhythms in the brain: Oscillatory dynamics, functional neural networks and perception
Beyindeki ritimler: Salınım dinamiği, fonksiyonel sinir ağları ve algı
İREM AKDOĞAN
Doktora
İngilizce
2026
Nörolojiİhsan Doğramacı Bilkent ÜniversitesiNörobilim Ana Bilim Dalı
PROF. DR. TOLGA ÇUKUR
PROF. DR. HACI HULUSİ KAFALIGÖNÜL
- Turizm destinasyonlarının evrimi ve patika bağımlılığı dinamiklerinin evrimsel ekonomik coğrafya perspektifinden incelenmesi: Kapadokya örneği
Examining the evolution of tourism destinations and path dependence dynamics from the perspective of evolutionary economic geography: The case of Cappadocia
HASAN CANBULAT
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Nörolojiİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR