Fourier transform based epileptic seizure features classification using scalp electrical measurements using KNN and SVM
Başlık çevirisi mevcut değil.
- Tez No: 683846
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
İnsanlar ve bilgisayarlar arasındaki etkileşim teknolojisinde meydana gelen büyük gelişme, birçok bilimsel alanda dikkat çekici ve inanılmaz başarılara yol açmıştır. Bu güne kadar araştırmacıların çalışmaları, insan çalışmasının doğruluğuna yaklaşan sonuçları elde etmek için mümkün olan en yüksek doğruluğa ulaşmak için bu alanda devam etmektedir. Elektroensefalogram (EEG), beyin sinyallerini kaydetme, analiz etme, algılama ve sınıflandırma alanında geniş bir yer kaplayan ve birçok çalışmayı şaşırtıcı sonuçlara ulaştıran cihazlardan biridir. Bu teknolojinin beyinde meydana gelen bozuklukları izleyebildiği ve beynin sağlık durumunu inceleme yeteneği sağladığı yer. Ek olarak, makine öğrenimi, EEG sinyallerinin sınıflandırılmasında başarılı bir şekilde yer alan çeşitli tekniklere sahipti. Destek Vektör Makinesi (SVM) ve K-Nearest Neighbor (KNN), EEG verilerini sınıflandırmak için en uygun teknikler arasında burada uzmanlık alanlarımızdı. Bu tez, klinisyenlere üç düzeyde yardımcı olacak bir sistem oluşturmayı amaçlamaktadır; ilki, hastaların ezberlenmesi kolay bir dijital belleğe yol açan otomatik izlemesine yardımcı olmaktır. İkincisi, klinisyenlerin en az hata ile hedeflere ulaşmada hızlanmasına yardımcı olan kararını destekleyerek çalışma süresini azaltmak. Son olarak, hastaların ihtiyaç duyabileceği uygun ilaç ve tıbbi bakımın belirlenmesine yardımcı olmak. Dolayısıyla, bu amacı gerçekleştirmek için burada kullanılan veri seti Temple University Hospital Seizure Corpus'tan (TUH) alınmıştır [1]. TUH, en büyük açık kaynak veritabanlarından biri olarak kabul edilir ve en kapsamlıdır [2-4]. Ayrıca, en iyi sonuçları sağlamak için Dataset'e ön işleme teknikleri uygulandı. EEG sinyal işleme için sınıflandırma modellerini en iyi verilerle besleyen birçok teknik vardır. Hızlı Fourier Dönüşümü (FFT), EEG sinyallerini işlemek için özellik çıkarma yöntemlerinden biri olarak incelenmiştir. Sonuç olarak, nöbet tiplerinin sınıflandırılmasıyla ilgili sonuçlar, doğruluğun sırasıyla %99,5 ve %99 olduğu KNN ile karşılaştırıldığında SVM'nin en iyi sınıflandırma doğruluğuna sahip olduğunu gösterdi
Özet (Çeviri)
The great development that took place in the technology of the interaction between humans and computers led to remarkable and incredible success in many scientific fields. Until this day, researchers' studies are continuing in this field to reach the highest possible accuracy to obtain the results that approximate the accuracy of human work. Electroencephalogram (EEG) is one of the devices that took a wide space and led many studies to amazing results in the field of recording, analyzing, detecting, and classifying brain signals. Where this technology was able to monitor the disorders, which happened in the brain and provide the ability to study the state of health of the brain. In addition, machine learning had Various techniques that were successfully involved in the classification of EEG signals. Support Vector Machine (SVM) and K-Nearest Neighbor (KNN) were our specialties here among the most suitable techniques for classifying EEG data. This thesis aims to build a system to assist clinicians on three levels, first assisting in patients' automatic monitoring which leads to a digital memory easy to memorize. Secondly, reducing the work time by Supporting the clinicians' decision which assists acceleration in getting the goals with the least number of errors. Finally, assisting in identifying the appropriate medication and medical care that patients may need. Thus, for achieving this purpose, the dataset used here was from Temple University Hospital Seizure Corpus (TUH) [1]. TUH is considered one of the largest open-source databases and is the most extensive [2-4]. Moreover, to ensure the best results preprocessing techniques were implemented to Dataset. There are many techniques for EEG signal processing that feed the classification models with the best data. Fast Fourier Transform (FFT) was studied as one of the types of feature extraction methods for processing EEG signals. Eventually, the results associated with classifying seizure types showed SVM got the best classification accuracy compared with KNN where the accuracy was 99.5 % and 99 %, respectively
Benzer Tezler
- Evaluation of some neurological disorders by the analysis of EEG signals
EEG sinyallerinin analizi ile bazı nörolojik bozuklukların değerlendirilmesi
ÖZLEM KARABİBER CURA
Doktora
İngilizce
2021
Biyomühendislikİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Epileptik preiktal aktivitelerin EEG-Aura tabanlı evrişimsel sinir ağları ve topoğrafik haritalama yaklaşımı ile değerlendirilmesi
Evaluation of epileptic preictal activities by EEG-Aura based convolutional neural networks and topographic mapping approach
HASAN POLAT
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Epilepsi tedavisine yönelik etosüksimid içeren polilaktik asit/bizmut ferrit fiber yapıların üretilmesi ve karakterizasyonu
Production and characterization of ethosuximide containing polylactic acid / bismuth ferrite fiber structures for epilepsy treatment
İZEL YİĞİT
Yüksek Lisans
Türkçe
2024
BiyomühendislikMarmara ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SONGÜL ULAĞ
PROF. DR. REZZAN GÜLHAN
- 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
- Eeg sinyalleri ile cihaz kontrolü
Device control with eeg signals
HARUN ÇİĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DAVUT HANBAY