Eeg işaretlerinde evrişimli sinir ağları ile epileptik nöbet tahmini
Epileptic seizure prediction in eeg signals using convolutional neural networks
- Tez No: 619741
- Danışmanlar: PROF. DR. SARP ERTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 115
Özet
Epilepsi tekrarlı ve ani gelişen nöbetlerle karakterize edilen, toplumda her 200 kişiden birini etkileyen, yaygın görülen bir nörolojik hastalıktır. Epilepsi hastalarının %30'una epilepsi ilaçları tedavi edici etki sağlamamakta, bir çoğu için ise cerrahi operasyon seçeneği mümkün olamamaktadır. Nöbet tahmini için yüksek başarımlı yöntemlerin geliştirilmesi, bu gruba giren hastalar için yaklaşmakta olan nöbetin öngörülmesini ve zararlarının en aza indirilmesini sağlayacaktır. Epileptik nöbetler, epileptik ağlarda zamansal ve uzamsal olarak gelişen bir sürecin sonucu olarak ortaya çıkmaktadır. Bu tez çalışmasının amacı, çok kanallı EEG sinyallerinden elde edilen özniteliklerdeki uzamsal ve zamansal korelasyonun değerlendirilerek, hastaya özgü, genelleştirilebilir bir nöbet tahmin yöntemi geliştirmektir. EEG sinyallerinin frekans ve zaman bölgesi özelliklerini ortaya çıkarmak amacıyla spektral bant gücü, istatistiksel moment ve Hjorth parametreleri öznitelikleri kullanılmıştır. Elde edilen öznitelikler, EEG kanallarının topolojisi korunarak, çok renkli görüntü dizisine dönüştürülmüş ve bir evrişimli sinir ağına girdi olarak verilmiştir. Oluşturulan modellerin eğitimi sırasında farklı epileptik evre süreleri denenmiş, bu sürelerin nöbet tahmin başarımı üzerindeki etkileri araştırılmıştır. Önerilen 3B CNN modeli, MIT Physionet kafa derisi EEG veri setinden 16 hasta ile yapılan testlerde, %85,7 duyarlılığa ve 0,096/saat yanlış tahmin oranına, %10,5 uyarıda geçen zaman oranı ile ulaşmıştır. Sonuçlar, önerilen yöntemin Poisson bazlı bir şans tahmincisine üstünlüğünün, 0,05 anlamlılık düzeyinde, hastaların %93,7 'si için istatistiksel olarak anlamlı olduğunu ortaya koymuştur. Farklı zamanlama kısıtlamaları ile yapılan denemelerde, epileptik evre uzunluklarının nöbet performansını etkileyen önemli bir faktör olduğu sonucuna ulaşılmıştır. Bu tez çalışmasında, hastaya özel mühendislik gerektirmeyen ve herhangi bir kafa derisi EEG veri setine genelleştirilebilen, hasta bazlı bir nöbet tahmin yöntemi sunulmuştur.
Özet (Çeviri)
Epilepsy is a common neurological disorder characterized by recurrent and sudden seizures affecting one in every 200 people in the community. Epilepsy medications do not provide therapeutic effect in 30% of epilepsy patients, and surgical options are not possible for most of them. The development of high-performance methods for seizure prediction will ensure that the upcoming seizure is predicted for patients in this group, and that its harm is minimized. Epileptic seizures result from a process in epileptic networks that develops over time and space. The aim of this thesis is to develop a patient-specific, generalizable seizure prediction method by evaluating the spatial and temporal correlation of the features obtained from multichannel EEG signals. Spectral band power, statistical moment and Hjorth parameters were used to reveal the frequency and time domain characteristics of EEG signals. The obtained features were transformed into a sequence of multi-color images according to the topology of the EEG channels and given as input to a convolutional neural network. During the training of the models, different epileptic stage lengths were tested and their effects on seizure prediction performance were investigated. The proposed 3D CNN model achieves a sensitivity of 85.7%, a false prediction rate of 0.096/h, and a proportion of time in warning of 10.5%, in the tests with 16 patients from the MIT Physionet scalp EEG dataset. The results showed that the superiority of the proposed method to a Poisson-based chance predictor was statistically significant for 93.7% of the patients, at significance level of 0.05. Experiments with various timing constraints have shown that epileptic stage lengths are an important factor affecting seizure performance. In this thesis, a patient-based seizure prediction method that can be generalized to any scalp EEG dataset without the need for subject-specific engineering was presented.
Benzer Tezler
- Epileptic seizure prediction using EEG signals with deep learning
Derin öğrenme yoluyla EEG işaretlerinden eğileptik nöbet tahmini
SAMET ORAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ESEN YILDIRIM
- EEG işaretlerinde epilepsi nöbet tahmini ve tespiti
Epileptic seizure prediction and detection in EEG singnals
ALIYA ZHUNIS
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYSUN TAŞYAPI ÇELEBİ
- EEG işaretlerindeki epileptik işaretlerin dalgacık dönüşüm yöntemi ile belirlenmesi
Determination of epileptic seizune activity in EEG signals by using wavelet transform
BİLAL ÖNAL
Yüksek Lisans
Türkçe
1998
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. KEMAL KIYMIK
- EEG eşuretlerinin spektral analiz yöntemleriyle işlenmesi
The Spectral analysis of EEG signals with spectral analysis methods
HATİCE BAŞA
Yüksek Lisans
Türkçe
1996
Fizik ve Fizik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiPROF.DR. CELAL KARAŞLI
- EEG işaretlerinin modern parametrik yöntemlerle izgel çözümlenmesi
Spectral analysis of EEG signals by using modern spectral analysis methods
AHMET ALKAN
Yüksek Lisans
Türkçe
1999
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiDOÇ.DR. M. KEMAL KIYMIK