Machine learning and EEG in epilepsy
Başlık çevirisi mevcut değil.
- Tez No: 661521
- Danışmanlar: YRD. DOÇ. DR. FUNDA YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Nöroloji, Computer Engineering and Computer Science and Control, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Bilişsel Bilim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 282
Özet
Amaç: Bu çalışma derin öğrenmenin epilepsi tanılayabilme yetisini incelemektedir. Apatolojik hastaların tanısı uzun süren ve pahalı EEG ile yapılır. Araştırmacılar daha hızlı sonuçlara ulaşmak için be¬yin bağlantısallıkları ağlarına çizge kuramı ölçütlerini uygulamışlardır. Ancak epilepsi tanısı için doğrudan bağlantısallık verileri üzerinden bir derin öğrenme çalışması henüz yapılmamıştır. Yöntem: Evrişimli Sinir Ağı (CNN) algoritması; 30 kontrol ve 30 epilepsi tanılı denekten oluşan grubun 50 sn. interiktal dinlenme-hali yüzey EEG kayıtlarından elde edilen yönlendirilmiş Granger nedensellik (GC) bağlantısallık ölçütlerine uygulanmıştır. Ayrıca, aynı EEG verileri ile bir uzun kısa süreli bellek ağı (LSTM) algoritması eğitilmiştir. Tanı başarımı k-katlı çapraz geçerlilik doğrulaması yaklaşımı ile belirlenmiştir. Bulgular: Bağlantısallık azalmaları en çok frontal bölgelerde delta bandında, artışları ise en çok frontalden posterior bölgeye sol yan gama bandında oluşmuştur. CNN; FP1, F3 ve P3 elektrotlarını kullanarak, delta ve gama bantlarını içeren yönlendirilmiş GC matrisleri üzerinde eğitildiği zaman en yüksek doğruluğa (%82) ulaşmıştır. Özellikle LSTM, aynı elek-trotlar ile en yüksek %70 doğruluğa ulaşmıştır. Diğer elektrot türevleri, farklı normalize edilmiş GC verileri ile sadece belirli doğruluklar sağlamıştır. %90'lık yüksek doğruluk oranına ise en verimli üç veri hazırlama yönteminden ortaya çıkan CNN tahminlerini birleştirerek ulaşılmıştır. Sonuç: CNN, verilerin doğru işlenmesi halinde GC matrislerinden epileptik özellikler bulabilmektedir. Çoklu epileptik özelliklerden faydalanmak için, farklı tahminler hibrid bir sınıflandırıcı ile birleştirilebilir. Öneriler: Bu çalışmada ulaşılan yüksek doğruluk, kullanılan yaklaşımın kliniklerde değerli bir yardımcı olabileceğini göstermektedir.
Özet (Çeviri)
Purpose: This study investigates the ability of deep learning to improve epilepsy diagnosis. Without pathology diagnosis involves long and costly EEG monitoring. To achieve faster diagnosis, researchers used graph theoretical metrics from brain connectivity networks. However, diagnosis by deep learning, directly on connectivity data, was not yet studied. Methods: A convolutional neural network (CNN) algorithm was applied on directed Granger causality (GC) connectivity measures, which were derived from 50 seconds of interictal resting-state surface EEG recordings from a group of 30 subjects with epilepsy and a 30 subject control group. The same EEG data was also used to train a long-short-term-memory (LSTM). Performance was determined with a k-fold cross validation approach. Results: Largest connectivity reductions occurred in frontal regions in the delta band, and largest increase occurred in the gamma band for left lateralized connectivity from frontal to posterior regions. The CNN achieved highest accuracy (82%) with directed GC matrices that included delta and gamma frequency bands, using the FP1, F3 and P3 electrodes. Notably, the LSTM achieved highest accuracy (70%) on the same electrodes. Other electrode combinations only showed significant accuracies with differently normalized GC data. A high accuracy of 90% (F1-score 90%) was achieved by fusing the CNN predictions that resulted from the three best performing data preparation methods. Conclusions: A generic CNN algorithm is able to detect epileptic features from GC matrices, provided that the data is prepared appropriately. To exploit multiple epileptic features, different predictions can be fused into a hybrid classifier. Recommendations: The high accuracy achieved in this study shows that this approach could prove a valuable aid for clinicians.
Benzer Tezler
- Makine öğrenme algoritmaları ile elektroensefalografi analizi ve epilepsi tanı yöntemlerinin geliştirilmesi
Development of diagnosis of epilepsy and electroencefalography analysis with machine learning algorithms
GİZEM GÜLER
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDoğuş ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TEMEL SÖNMEZOCAK
DR. ÖĞR. ÜYESİ MERİH YILDIZ
- MFCC destekli makina öğrenmesi algoritmaları ile fokal/non-fokal EEG kayıtlarının sınıflandırılması
Focal/non-focal EEG records classification with MFCC based machine learning algorithms
DELAL ŞEKER
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Epilepsy seizure detection in eeg signals using wavelet transforms and support vector machines
Dalgacık dönüşümü ve destek vektör makineleri kullanarak epilepsi nöbeti tanıma
AWIN MAHMOOD SALEEM
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÇINAR
- Derin öğrenme tabanlı epileptik nöbet teşhisi
Deep learning based epileptic seizure diagnosis
MUHAMMET VARLI
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN YILMAZ
- Machine learning and signal processing on recognizing epileptic seizure patterns
Epileptik kriz örüntülerinin tanınmasında makine öğrenmesi ve sinyal işleme
BARKIN BÜYÜKÇAKIR
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN KAYA