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
- Tez No: 743494
- Danışmanlar: DOÇ. DR. ANIL ÇELEBİ, PROF. DR. MEHMET KEMAL GÜLLÜ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 125
Özet
Epilepsi nöbetlerini gerçek zamanlı tahmin edebilen sistemlerin geliştirilmesi, epilepsi hastaları için büyük umut arz etmektedir. Bu sistemler hastaların nöbet esnasında oluşan bilinç kaybı esnasında geçirebilecekleri kazaların önlemeyi amaçlamaktadır. Bu yüzden epilepsi nöbetlerini önceden tahmin edebilen sistemlerin hem gerçek zamanlı kullanılabilmeleri hem de hastanın günlük aktivitelerini engellemeyecek yapıda olmaları gerekmektedir. Bu çalışmada unipolar olarak yüzey elektrotundan alınan EEG verisi ile hastaya özgü bir tahmin sistemi, gerçek zamanlı olarak gömülü işlemci ve programlanabilir mantık bloğu içeren bir mimari üzerinde gerçekleştirildi. Önerilen sistemde“The European Epilepsy Database”kullanılarak EEG verisine ön işlem uygulandı. Daha sonra verinin öznitelikleri çıkartıldı. Özniteliklerin önem derecesi hesaplandı ve öznitelik seçimi yapıldı. Sınıflandırma bir makine öğrenmesi algoritması olan RusBoosted Tree kümeleme yöntemi ile yapıldı. Ardından test işlemi yapıldı. Sınıflandırma sonucuna son işlem uygulanarak eşik değerleri belirlendi. Böylece yanlış alarmların ve hatalı sınıflandırma engellendi. Kanal seçimi en yüksek ağırlıklı ortalama duyarlılığına sahip ve pre-iktal inter-iktal dönemler arası en yüksek değişinti farkına göre yapıldı. Ayrıca kanal seçim yöntemi ile seçilen kanallar kullanılarak hibrit bir sınıflandırma yapıldı. Test işlemi sonunda başarım kriteri olarak hassasiyet, saatte verilen yanlış alarm oranı ve ortalama tahmin süreleri hesaplandı. Bu parametrelerin değerleri çalışma1 çalışma2 ve çalışma3 için sırasıyla %77; 0,026; 36 dakika; %71; 0,05; 35 dakika, %79; 0,049; 34 dakika olarak elde edildi. Bu çalışma, literatürdeki diğer birçok çalışmaya kıyasla daha iyi performans sunmaktadır. Ayrıca bu çalışma tek elektrotlu EEG verisi ile donanıma uygulandığı için diğerlerinden farklılık göstermektedir. Bu çalışmada elde edilen sonuçlar sistemin ileride geliştirilecek bir mobil platforma uygulanabilirliğini göstermektedir.
Özet (Çeviri)
Developing systems that could predict epileptic seizures in real time, promises hope for patients with epilepsy. These systems aim to prevent accidents that patients could experience during loss of conscience that results from seizure. For that reason, systems predicting epileptic seizures beforehand should be used in real time and should not make the daily lives of patients difficult. In this study, by using EEG data that is taken from surface electrode with unipolar method, patient-specific prediction system is developed. This system involves real time embedded processor and programmable logic structure. In the system, EEG data is preprocessed by using“The European Epilepsy Database”. Then, the feature of the data is extracted. The features are selected by calculating their significance levels. The train set is trained with RusBoosted Tree ensemble classification which is a machine learning algorithm. The test is carried out by using the generated classification model. By applying post processing to classification result and determining thresholds, false alarms and wrong classifications are prevented. The channels which have the highest weighted average sensitivity and the highest variances between pre-ictal and inter-ictal periods are selected and tested. Moreover, by using two selected channels, a hybrid classification is made. At the end of testing, as success criteria, sensitivity, the false prediction rate per hour and average prediction time are calculated. For case1, case2, and case3, the values of these parameters are given respectively as 77%, 0.026, 36 minutes; 71%, 0.05, 35 minutes; 79%, 0.049, 34 minutes. This study presents better performance compared to many other studies in literature. In addition, as this study is applied to the hardware by using single electrode EEG data, it differs from others. The results of the study indicate the applicability of the system to a mobile platform that could be developed in the future.
Benzer Tezler
- Destek vektör makineleri yardımıyla invaziv EEG verilerinden epileptik nöbet tahmini
Epileptic seizure prediction from invasive EEG signals using support vector machines
FIRAT DUMAN
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiMustafa Kemal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ESEN YILDIRIM
- EEG işaretlerinden Hilbert-Huang transform (HHT) yöntemi ile nöbet algılama ve tahmini
Seizure detection and prediction with Hilbert-Huang transform method from EEG signals
NİLÜFER ÖZDEMİR
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiMustafa Kemal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ESEN YILDIRIM
- EEG işaretlerinden epilepsi türlerinin sınıflandırılmasında skalogram tabanlı derin öğrenme yaklaşımı
Scalogram based deep learning approach for classification of epilepsy types from EEG signals
ÖMER TÜRK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Makine öğrenme teknikleri kullanılarak epilepsi teşhisi
Epilepsy diagnosis using machine learning techniques
MUSTAFA ÇALIŞKAN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN BADEM
- EEG işaretlerinin epileptik nöbet kestiriminde modern yöntemlerle analizi ve sınıflandırılması
The analysis and classification of EEG signals in the epileptic seizure prediction by modern methods
ERHAN BERGİL
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET RECEP BOZKURT