Epileptic seizure prediction using machine learning and deep learning methods
Makine öğrenimi ve derin öğrenme yöntemleriyle epileptik nöbet tahmini
- Tez No: 719111
- Danışmanlar: PROF. DR. AHMET ADEMOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Biyoteknoloji, Computer Engineering and Computer Science and Control, Bioengineering, Biotechnology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 52
Özet
Epilepsi, dünya üzerinde en yaygın nörolojik hastalıklardan biridir ve hastaların günlük yaşamlarını yakından etkilemektedir. Epileptik nöbetlerin önceden tahmininin yapılabilmesi sağlık çalışanları ve epilepsi hastaları için ciddi önem taşımaktadır. Epilepsinin teşhisi ve izlenmesinde genellikle kafa derisi üzerine yerleştirilen elektrotlar yardımıyla beyin aktivitesinin izlenmesini sağlayan Elektroensefalografi (EEG) yöntemi kullanılmaktadır. Bu çalışmada, Boston Çocuk Hastanesinde kayıt altına alınan EEG verilerini içeren CHB-MIT verisi kullanılarak otomatik nöbet tahminlemesi yapılmıştır. Çalışma kapsamında birincil yöntem olarak bir makine öğrenmesi türü olan SVM seçilmiş ve bununla beraber üç farklı derin öğrenme yöntemi kıyaslanmıştır. Bu yöntemlerin ilki, herhangi bir öznitelik çıkarmaya ihtiyaç duymayan Evrişimli Otokodlayıcı girdili LSTM sınıflandırıcıdır. İkincisi, EEG verisinin ön işlenmesi ile spektrogramlarının elde edilip daha sonrasında Evrişimsel sinir ağı (CNN) temelli bir sınıflandırıcı ile ele alındığı yöntemdir. Denenen son metod ise, EEG verilerine kaynak yerelleştirme uygulayarak üç boyutlu kayıtlara dönüştürmek ve bunlar üzerinden CNN ile sınıflandırma gerçekleştirmektir. Kullanılan yöntemler arasında en iyi sonuç 89.06% özgüllük, 92.58% duyarlılık ve 90.41% doğruluk ile kaynak yerelleştirme bazlı CNN Sınıflandırma kullanılarak elde edilmiştir. Çalışma kapsamında ayrıca yöntemlerin çalışma süreleri kıyaslanmış ve 74.07% doğruluk ile en düşük sonucu veren SVM'in diğer yöntemlere kıyasla ciddi oranda hızlı çalıştığı görülmüştür.
Özet (Çeviri)
Epilepsy is one of the most common neurological diseases in the world which negatively affects the daily life of a patient. Predicting epileptic seizures is of great importance for healthcare professionals and patients. The electroencephalography (EEG), which allows for registering brain activity with the help of electrodes placed on the scalp, is generally used to diagnose and monitor epilepsy. In this study, automatic seizure prediction was performed using CHB-MIT dataset which contains EEG data recorded at Boston Children's Hospital. Support Vector Machines (SVM), a common machine learning algorithm chosen as the primary method within this thesis's scope, and three different deep learning methods were compared. The first of these methods was long short term memory (LSTM) classifier with convolutional autoencoder which did not need any feature extraction. The second method used the spectrograms obtained by preprocessing the EEG data which were fed into a convolutional neural network (CNN) based classifier. The last method was based on converting the EEG data into three-dimensional images by applying source localization and performing classification with CNN. Among the methods used, the best result was obtained using source localization based CNN classification with 89.06% specificity, 92.58% sensitivity and 90.41% accuracy. Computational cost of three methods in terms of runtime efficiency were also compared, and it was observed that the SVM, which yielded the lowest classification performance with 74.07% accuracy, worked significantly faster than other methods.
Benzer Tezler
- Epileptic seizure prediction using EEG signals with deep learning
Derin öğrenme yoluyla EEG işaretlerinden eğileptik nöbet tahmini
SAMET ORAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ESEN YILDIRIM
- Epilepsi kriz anını tespit edebilecek biyosensör
Prediction epileptic seizure from biosensors
ŞEYMA YAMAN
Doktora
Türkçe
2024
Bilim ve TeknolojiGaziantep ÜniversitesiBiyoenformatik ve Bilişimsel Biyoloji Ana Bilim Dalı
PROF. DR. TUĞBA TAŞKIN TOK
PROF. DR. ERSOY KOCABIÇAK
- EEG işaretleri kullanılarak epilepsi nöbet tahmin sisteminin fpga tabanlı donanım ile gerçekleştirilmesi
Application of epilepsy seizure prediction system to fpga based hardware using EEG signals
ERCAN COŞGUN
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ANIL ÇELEBİ
PROF. DR. MEHMET KEMAL GÜLLÜ
- Farklı veri türlerinin birleştirilmesi ile epilepsi hastalığının otomatik tespiti ve sınıflandırılması
Automatic detection and classification of epilepsy disease by combining different data types
ŞENGÜL BAYRAK HAYTA
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EYLEM YÜCEL DEMİREL
DOÇ. DR. HİDAYET TAKCI
- Nörolojik krizlerden epilepsi nöbetinin kestirimi
Prediction of epilepsy seizures from neurological crises
SÜLEYMAN DAL
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NECMETTİN SEZGİN