Makine öğrenme teknikleri kullanılarak epilepsi teşhisi
Epilepsy diagnosis using machine learning techniques
- Tez No: 661726
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN BADEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Epilepsi dünya genelinde birçok insanı etkileyen en yaygın nörolojik hastalıklardan birisidir. Epilepsi, beyinin bazı hücrelerin denetlenemeyen, anormal, aşırı ve aniden boşalmalarına bağlı olarak kendini gösteren bir sinir sistemi hastalığıdır. Bu hastalığın tanısında hastadan elde edilen elektroensefalografi (EEG) işaretleri uzman doktorlar tarafından çözümlenir. EEG, beyin fonksiyonlarının, izlenmesini ve ölçülmesini sağlayan bir tekniktir. EEG sinyalleri üç alt kısımda değerlendirilir. Bu sinyaller, hastanın epilepsi nöbeti tutmadan önceki bölümü preiktal; nöbet anındaki bölüm interiktal ve nöbet sonrası bölüm postiktal olarak tanımlanır. EEG sinyallerinin uzman hekimler tarafından yorumlanması ve analiz edilmesi, zor ve zaman bir süreci kapsamaktadır. Bahsedilen durumun üstesinden gelebilmek için bu tezde EEG sinyalleri kullanılarak, makine öğrenme teknikleriyle epilepsi hastalığı teşhisi yapılmıştır. Çalışmada 10 farklı makine öğrenme yöntemi kıyaslanmıştır. Bu yöntemler Lojistik Regresyon, Lineer Diskriminant Analizi, Karar Ağacı, En Yakın Komşu Algoritması, Navie Bayes, Destek Vektör Makinaları, Adaboost Sınıflandırıcı, Gradyan Arttırıcı Sınıflandırıcı, Rasgele Orman Sınıflandırıcısı ve Ekstra Ağaç Sınıflandırıcısıdır. Bunun yanında EEG sinyallerinden elde edilen öznitelikler temel bileşen analizi (PCA) yöntemiyle azaltılarak seçilen makine öğrenme yöntemleri üzerindeki etkisi incelenmiştir. Aynı zamanda, elde edilen sonuçlar literatürdeki diğer yöntemlerle kıyaslanmıştır. Elde edilen sonuçlara göre Gradyan Arttırıcı Sınıflandırıcı (GBM, Gradient Boosting Classifier) en iyi sınıflandırıcı olmuştur.
Özet (Çeviri)
Epilepsy is one of the most common neurological diseases that affect many people around the world. Epilepsy is a nervous system disease that is caused by uncontrollable, abnormal, excessive and sudden discharge of some cells of the brain. In the diagnosis of this disease, electroencephalography (EEG) signals received from the patient are analyzed by specialists. EEG is a technique that enables the monitoring and measurement of brain functions. EEG signals are evaluated in three subsections. the part of the patient before the epileptic seizure was preictal, the episode at the time of the seizure is defined as interictal and the post-seizure episode as postictal. The interpretation and analysis of EEG signals by specialist physicians is a difficult and time consuming process. In order to solve this problem, epilepsy disease was diagnosed with machine learning techniques using EEG signals in this study. In this theses, 10 different machine learning methods have been compared. These methods are including Logistic Regression, Linear Discriminant Analysis, Decision Tree Classifier, K Neighbors Classifier, Navie Bayes, Support Vector Machine, Adaboost Classifier, Gradient Boosting Classifier, Random Forest Classifier, Extra Trees Classifier. In addition, the features obtained from the EEG signals were used for classification by reducing them by principal component analysis (PCA) method. The effects of decreasing features on classification performance have been examined. As the same time, the results obtained have been compared with other methods in the literature. According to obtained results, the Gradient Boosting Classifier (GBM) became the best classifier.
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
- 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
- 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
- Epileptik nöbet anında göz bulgularının görüntü ve sinyal işleme teknikleri kullanarak tespiti
Detection of eye movements during epileptic seizures by using image and signal processing techniques
ESRA ZEKİYE GÜZEY ŞANAL
Tıpta Uzmanlık
Türkçe
2020
Çocuk Sağlığı ve HastalıklarıAkdeniz ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. ÖZGÜR DUMAN
- Development and implementation of a price prediction system using machine learning techniques
Makine öğrenme teknikleri kullanılarak fiyat tahminleme sisteminin yapılması ve geliştirilmesi
SERCAN EREN İŞKESEN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DERYA BİRANT