Geri Dön

MFCC destekli makina öğrenmesi algoritmaları ile fokal/non-fokal EEG kayıtlarının sınıflandırılması

Focal/non-focal EEG records classification with MFCC based machine learning algorithms

PDF İndir

  1. Tez No: 682897
  2. Yazar: DELAL ŞEKER
  3. Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Beyinde anormal elektriksel yayılma sonucu meydana gelen ve tekrarlı nöbetler şeklinde davranış sergileyen epilepsi önemli bir nörolojik hastalık olarak kabul edilmektedir. Dünya sağlık örgütünün (WHO) raporlarına göre dünya genelinde 50 milyondan fazla kişide bu hastalık bulunmaktadır. Epilepsi hastalığına gelişkin ilaç teknolojilerine rağmen hastaların %33' ü ilaç tedavisine cevap vermemekte ve gelecekte onları hastalığın tahmin edilemez diğer boyutları beklemektedir. Epilepsi hastalarının tespitinde kullanılan EEG, beynin elektriksel aktivitesi hakkında bilgi verme kabiliyetine sahip olduğu için epileptik nöbetlerin varlığı ve diğer anomalilerin tespitinde elverişli bir standart olarak göze çarpar. Lokasyon olarak epilepsi genel anlamda 2 türe ayrılır. Fokal epilepside beynin spesifik bir bölümü hastalıktan etkilenir. Diğer taraftan non-fokal epilepside (jeneralize) nöbetlerde direkt etkilenmeseler bile beynin birçok alanı lokal anlamda etkilenir. Bunlara ek olarak EEG iktal ve inter-iktal aktivitelerin tespitinde de kullanılır. İktal EEG iğneciklerden oluşan nöbet anını, inter-iktal EEG ise nöbet arası süreyi ifade eder. EEG kayıtlarının gözlemsel olarak analizi hem zaman kaybı hem de hastalık teşhisinde insan kaynaklı hata nedenlerinden biridir. Otomatik bir sınıflandırma yaklaşımı, farklı sinyal karakteristiklerini ayırt etmede ve klinisyenlere karar aşamasında yardım etme durumunda bir ihtiyaç haline gelmiştir. Bu tez çalışmada, Mel Frekansı Kepstral katsayıları (MFCC) ve makine öğrenmesi algoritmaları ile Bern Barcelona veri seti kapsamındaki fokal/non-fokal epileptik EEG kayıtlarının sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda, MFCC destekli makine öğrenmesi algoritmaları ile Hauz Khas veri seti kapsamındaki pre-iktal / iktal / inter-iktal EEG kayıtlarının sınıflandırılması sonrası MFCC'nin zor bir veri seti üzerindeki başarı performansı teyit edilmiştir. Başarılı bulunan MFCC destekli makine öğrenmesi algoritmaları ile Bern Barcelona veri seti kapsamındaki fokal/non-fokal EEG kayıtlarının sınıflandırılması amaçlanmıştır. Çalışmada MFCC öznitelik kümelerine z-score normalizasyonu ve Temel Bileşen Analizi uygulanarak normalize edilmiş optimum alt öznitelik kümelerine ulaşılmıştır. Sınıflandırma aşamasında ise 7 farklı konvansiyonel makina öğrenmesi yönteminden faydalanılmıştır. Çalışma sonucunda iktal vs. inter-iktal, iktal vs. pre-iktal ve inter-iktal vs. pre-iktal sınıflandırmada grupların tümü Quadratik Diskriminant Analiz, Lojistik Regresyon ve Kübik DVM ile %100 oranında doğruluk, hassasiyet, özgüllük ve f1-skor performans metriklerine ulaşılmıştır. Çoklu sınıflandırma olan iktal vs. pre-iktal vs. inter-iktal aşamasında ise sadece Quadratik Diskriminant Analiz algoritması verilerin tümünü doğru ayrıştırabilmiştir. Fokal vs. Non-fokal EEG sınıflandırılmasında Quadratik Diskriminant Analiz, Lojistik Regresyon ve Kübik DVM ile tüm sınıflar doğru olarak ayrıştırılmıştır. Mevcut tez çalışması farklı nörolojik hastalıklara uygulanarak tez çalışmasında önerilen yöntemin ve belirtilen çıkarımların daha netlik kazanacağı öngörülmektedir. Klinisyenler ve hekimler mevcut metodolojiyi kendi verilerine uygulayıp daha önce elde ettikleri sonuçlarla karşılaştırabilir ve validasyon yoluna gidebilirler.

Özet (Çeviri)

Epilepsy, which occurs as a result of abnormal electrical spread in the brain and behaves as repetitive seizures, is accepted as an important neurological disease. According to the reports of the World Health Organization (WHO), more than 50 million people worldwide have this disease. Despite advanced drug technologies for epilepsy, 33% of patients do not respond to drug treatment and other unpredictable dimensions of the disease await them in the future. EEG, which is used in the detection of epilepsy patients, stands out as a convenient standard for the presence of epileptic seizures and other anomalies, as it has the ability to provide content for the electrical activity of the brain. In terms of location, epilepsy is generally divided into 2 types. In focal epilepsy, a specific part of the brain is affected by the disease. On the other hand, many parts of the brain are affected locally, even if they are not directly affected in non-focal epilepsy (generalized) seizures. In addition to these, EEG is also used to detect ictal and inter-ictal activities. Ictal EEG refers to the moment of seizure consisting of pins, and inter-ictal EEG refers to the time between seizures. Observational analysis of EEG recordings is both a waste of time and one of the causes of human error in disease diagnosis. An automated classification approach has become a necessity in distinguishing between different signal characteristics and assisting clinicians in decision making. In this thesis, it is aimed to classify the focal/non-focal epileptic EEG recordings within the Bern Barcelona dataset with Mel Frequency Cepstral Coefficients (MFCC) and machine learning algorithms. For this purpose, the high performance of MFCC on a difficult data set was confirmed after the classification of pre-ictal / ictal / inter-ictal EEG recordings in the Hauz Khas dataset with MFCC based machine learning algorithms. It is aimed to classify the focal/non-focal EEG recordings within the Bern Barcelona dataset with the provided MFCC supported machine learning algorithms. In the study, normalized optimum sub-feature sets were obtained by applying z-score normalization and Principal Component Analysis to MFCC feature sets. In the classification stage, 7 different conventional machine learning methods were used. As a result of the study, ictal vs. inter-ictal, ictal vs. pre-ictal vs inter-ictal vs. pre-ictal classification, 100% accuracy, sensitivity, specificity, and f1-score performance metrics were achieved for all groups with Quadratic Discriminant Analysis, Logistic Regression and Cubic SVM. For multi-way classification approach of ictal vs. pre-ictal vs. inter-ictal , only the Quadratic Discriminant Analysis algorithm was able to parse all the data correctly. Focal vs. non-focal EEG classification, all classes were correctly differentiated by Quadratic Discriminant Analysis, Logistic Regression and Cubic SVM. It is predicted that the method proposed in the thesis study and the stated inferences will become clearer by applying the current thesis study to different neurological diseases. Clinicians and physicians can apply the current methodology to their own data, compare it with their previous results and have a chance for validation.

Benzer Tezler

  1. Tez No

    546544

    Emotion aware artificial intelligence for cognitive systems

    Bilişsel sistemler için duygu farkındalıklı yapay zeka

    DEĞER AYATA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Tez No

    710702

    Öksürük ses kayıtları kullanılarak COVID-19 tahmini

    Predicting COVID-19 using cough audio recordings

    NURSEN KELEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METE YAĞANOĞLU

  3. Tez No

    812990

    Kardiyovasküler rahatsızlıkların yapay öğrenme yöntemleriyle teşhisi

    Diagnosis of cardiovascular disorders by machine learning methods

    ALİ FATİH GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHAMMED FATİH TALU

  4. Tez No

    336894

    Multi-sensor based ambient assisted living system

    Çoklu algılayıcı tabanlı çevre destekli yaşam sistemi

    AHMET YAZAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ENİS ÇETİN

  5. Tez No

    198501

    Bilgisayar destekli ses tanıma sistemi tasarımı

    Computer aided voice recognition system design

    MEHMET DENİZ DEMİRCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. OĞUZHAN ÖZTAŞ

Geri Dön