Geri Dön

Epileptic seizure prediction using machine learning and deep learning methods

Makine öğrenimi ve derin öğrenme yöntemleriyle epileptik nöbet tahmini

  1. Tez No: 719111
  2. Yazar: BURAK GÖZÜTOK
  3. Danışmanlar: PROF. DR. AHMET ADEMOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Biyoteknoloji, Computer Engineering and Computer Science and Control, Bioengineering, Biotechnology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Biyo-Medikal Mühendislik Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Epileptic seizure prediction using EEG signals with deep learning

    Derin öğrenme yoluyla EEG işaretlerinden eğileptik nöbet tahmini

    SAMET ORAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ESEN YILDIRIM

  2. Epilepsi kriz anını tespit edebilecek biyosensör

    Prediction epileptic seizure from biosensors

    ŞEYMA YAMAN

    Doktora

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiGaziantep Üniversitesi

    Biyoenformatik ve Bilişimsel Biyoloji Ana Bilim Dalı

    PROF. DR. TUĞBA TAŞKIN TOK

    PROF. DR. ERSOY KOCABIÇAK

  3. 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

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ANIL ÇELEBİ

    PROF. DR. MEHMET KEMAL GÜLLÜ

  4. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EYLEM YÜCEL DEMİREL

    DOÇ. DR. HİDAYET TAKCI

  5. Nörolojik krizlerden epilepsi nöbetinin kestirimi

    Prediction of epilepsy seizures from neurological crises

    SÜLEYMAN DAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. NECMETTİN SEZGİN