Alternatif makine öğrenmesi teknikleriyle epileptik EEG zaman serilerinin sınıflandırılması
Classification of epileptic EEG time series with alternativemachine learning techniques
- Tez No: 663357
- Danışmanlar: DOÇ. DR. UTKU KÖSE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Beynin çeşitli bozukluk durumlarının incelenmesi, farklı aktivitelerinin modellenmesinde önemli ölçüde rol oynayan EEG sinyalleri, dünya çapında 50 milyona yakın insanı etkileyen halk arasında sara hastalığı olarak da bilinen epilepsi hastalığının teşhisinde en önemli bilgi kaynağı haline gelmiştir. Uyku halinde veya uyanıkken beynin değişen elektriksel faaliyetlerinin belirli standartlar altında kaydedilmesini sağlamıştır. EEG sinyallerinin analizinde otomasyon ve bilgisayar tekniklerine duyulan ihtiyacın günümüzde artar hale gelmesinin sebebi biyomedikal alanda daha objektif bir değerlendirme yapılabileceğinden kaynaklanmaktadır. Tez çalışmasında EEG sinyalleri, 500 farklı kişi bilgisinden oluşan bir zaman serisi verisi olarak kullanılmıştır. Bu veri seti bireylerin beyinlerinin farklı noktalarından alınarak oluşturulan ve bireyler farklı durumlardayken kaydedilen epileptik EEG verileridir. Bu kapsamda epileptik EEG zaman serisi verilerinin çeşitli makine öğrenmesi teknikleri yardımıyla sınıflandırılması gerçekleştirilmiştir. Metod olarak; temel yapay sinir ağı algoritması, çok katmanlı algılayıcı, k-en yakın komşu algoritması, lineer diskriminant analiz algoritması, rastgele orman algoritması ve tek boyutlu evrişimsel sinir ağı teknikleri kullanılmıştır. Yapılan çalışmalar sonucunda sınıflama üzerine etkisi incelenen tekniklerden en yüksek başarının derin öğrenme algoritması ile sağlandığı görülmüştür. YSA %76.39, MLP %96.26, CNN %99.88, K-NN %93.30, LDA %82.13 ve son olarak RF'den %94.30 sınıflandırma başarımı elde edilmiştir.
Özet (Çeviri)
EEG signals, which play an important role in the research of various disorders and modeling different activities of the brain, have become the most important source of information in the diagnosis of epilepsy is known as sara, which affects nearly 50 million people worldwide. It enabled to be recorded the changing electrical activity of the brain during sleep or awake under certain standards. The increasing need for automation and computer techniques for the analysis of EEG signals is due to the fact that a more objective evaluation in the biomedical field. In this thesis, EEG signals were used as a time series data consisting of 500 different person information. This data set is the epileptic EEG data created from different points of the individuals' brains and recorded when the individuals are in different situations. In this context, the classification of epileptic EEG time series data through various machine learning techniques was carried out. Basic artificial neural network algorithm, multilayer perceptron, k-nearest neighbors algorithm, linear discriminant analysis algorithm, random forest algorithm and one dimensional convolutional neural network techniques are used. As a result of the studies, it was seen that the highest success was achieved with the deep learning algorithm among the techniques that effects on classification were examined. Classification success was achieved with YSA 76.39%, MLP 96.26%, CNN 99.88%, K-NN 93.30%, LDA 82.13% and finally 94.30% from RF.
Benzer Tezler
- Kütüphane danışma sorularının makine öğrenmesi yaklaşımıyla yanıtlanması: Akademik veri tabanları üzerine bir çalışma
Answering library consultation questions with a machine learning approach: A study on academic databases
ERTUĞRUL BURAK EROĞLU
Doktora
Türkçe
2024
Bilgi ve Belge YönetimiÇankırı Karatekin ÜniversitesiBilgi ve Belge Yönetimi Ana Bilim Dalı
DOÇ. DR. KASIM BİNİCİ
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Yapay zekâ ile akıllı şehirlerde çevresel görüntü ve video analizi
Yapay zekâ ile akilli şehirlerde çevresel görüntü ve video analizienvironmental image and video analysis in smart cities with artificial intelligence
KUDRET DİNÇ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN YAMAN
- Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti
Colon cancer disease diagnose with convolutional neural network and grasshopper optimization algorithm
AMNA ALI A MOHAMED
Doktora
Türkçe
2024
Mühendislik BilimleriKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYBABA HANÇERLİOĞULLARI
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ