Geri Dön

Epilepsi hastalığının yapay zekâ yöntemleri kullanılarak teşhisi ve sınıflandırılması

Diagnosis and classification of epilepsy disease using artificial intelligence methods

PDF İndir

  1. Tez No: 747384
  2. Yazar: ERDEM TUNCER
  3. Danışmanlar: PROF. DR. EMİNE BOLAT
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

Epileptik nöbetler; fokal, jeneralize veya bilinmeyen olarak sınıflandırılan beynin elektriksel aktivitesindeki bozukluklardan kaynaklanır. Epileptik nöbetleri doğru bir şekilde sınıflandırmamak, uygun olmayan tedavi ve nöbetlerin devam etmesine neden olabilir. Bu nedenle, epileptik aktivitenin sınıflandırılmasıyla birlikte jeneralize, fokal ve diğer epileptik nöbetlerin otomatik olarak saptanması önemlidir. Bu çalışmada çeşitli veri tabanlarından elde edilen EEG verilerinin makine öğrenmesi teknikleriyle (11 farklı sınıflandırıcı algoritmasıyla) ayrı ayrı sınıflandırılması sağlanmıştır. Hem geleneksel hem de derin öğrenme yöntemleri kullanılmış, sınıflandırıcı algoritmalarının optimizasyonu yapılarak optimum modeller önerilmiştir. Bonn Üniversitesi veri seti kullanılarak İki Yönlü Uzun-Kısa Süreli Bellek (Bi-LSTM) ile epileptik aktivite ve diğer aktiviteler arasında yapılan sınıflandırmada başarı oranı %96, ikili sınıflandırmalarda ortalama başarı oranı %99 ve tüm sınıflandırmalar için ortalama başarı oranı %97,78 olarak elde edilmiştir. Temple Üniversite Hastanesi EEG Nöbet Corpus (TUSZ) veri seti ile yapılan sınıflandırmada iki farklı sınıflandırma problemi (Karmaşık Kısmi Nöbet Kısmi Nöbet (CPSZ) (C4-T4 Başlangıç)-CPSZ (FP2-F8 Başlangıç)-CPSZ (T5-O1 Başlangıç)- Absans Nöbet (ABSZ)) ve CPSZ-ABSZ) ele alınmıştır. LSTM algoritması kullanılarak dört sınıflı problem için başarı oranı %95,92, iki sınıflı problem için başarı oranı %98,08 olarak tespit edilmiştir. İstanbul Tıp Fakültesi verilerinin (Etik izin karar numarası: KÜ GOKAEK 2018/154) kullanıldığı sınıflandırma probleminde iktal-interiktal EEG kayıtları skorlanmıştır. TUSZ veri seti ile yapılan sınıflandırma sonucunda elde edilen optimum parametlerle sınıflandırıcı algoritmalarının sonuçları değerlendirilmiştir. TUSZ veri setinde elde edilen sonuçlarına benzer şekilde bu veri setiyle de en yüksek başarı oranına (%95,39) LSTM modeli ile ulaşılmıştır. Hem veri madenciliğinin hem de yapay zekâ tekniklerinin kullanıldığı bu çalışmayla, bu araştırma alanına önemli bir bakış açısı sağlanmıştır.

Özet (Çeviri)

Epileptic seizures; It is caused by disturbances in the electrical activity of the brain classified as focal, generalized, or unknown. Failure to correctly classify epileptic seizures can result in inappropriate treatment and continuation of seizures. Therefore, automatic detection of generalized, focal, and other epileptic seizures are important, along with classification of epileptic activity. In this study, EEG data obtained from various databases were classified separately by machine learning techniques (with 11 different classifier algorithms). Both traditional and deep learning methods have been used, and optimum models have been proposed by optimizing the classifier algorithms. Using the University of Bonn dataset, the success rate in the classification between Bidirectional Long-Short-Term Memory (Bi-LSTM) and epileptic activity and other activities was %96, the average success rate in binary classifications was %99, and the average success rate for all classifications was %97,78. Two different classification problems (Complex Partial Seizure (CPSZ) (C4-T4 Onset)-CPSZ (FP2-F8 Onset)-CPSZ (T5-O1 Onset)-Absence Seizure (ABSZ)) and CPSZ-ABSZ) were considered in the classification made with the Temple University Hospital EEG Seizure Corpus (TUSZ) dataset. Using the LSTM algorithm, the success rate for the four-class problem was %95,92, and the success rate for the two-class problem was %98,08. Ictal-interictal EEG records were scored in the classification problem in which Istanbul Faculty of Medicine data (Ethical authorization decision number: KU GOKAEK 2018/154) was used. The results of the classifier algorithms were evaluated with the optimum parameters obtained as a result of the classification made with the TUSZ data set. Similar to the results obtained in the TUSZ data set, the highest success rate (%95,39) was achieved with the LSTM model with this data set. With this study, in which both data mining and artificial intelligence techniques are used, an important perspective has been provided to this research area.

Benzer Tezler

  1. Tez No

    291280

    EEG işaretlerinden epilepsi hastalığının teşhisi için yeni yaklaşımlar

    Novel approaches for diagnosis of epilepsy disease from EEG signals

    UMUT ORHAN

    Doktora

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolZonguldak Karaelmas Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ÖZER

    YRD. DOÇ. DR. MAHMUT HEKİM

  2. Tez No

    644602

    Epileptik nöbet anında göz bulgularının görüntü ve sinyal işleme teknikleri kullanarak tespiti

    Detection of eye movements during epileptic seizures by using image and signal processing techniques

    ESRA ZEKİYE GÜZEY ŞANAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Çocuk Sağlığı ve HastalıklarıAkdeniz Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ÖZGÜR DUMAN

  3. Tez No

    420358

    Epilepsi hastalığının dalgacık dönüşümleri ve yapay sinir ağları ile tanılanması

    The diagnosis of epilepsy with wavelet transform and artificial neural networks

    EZGİ ÖZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    İstatistikMimar Sinan Güzel Sanatlar Üniversitesi

    İstatistik Ana Bilim Dalı

    YRD. DOÇ. DR. OZAN KOCADAĞLI

  4. Tez No

    302510

    Sezgisel algoritma öğrenmeli yapay sinir ağları ile epilepsi hastalığının teşhisi

    Heuristic algorithm basis artifical neural networks for epilepsy detection

    NESİBE YALÇIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CİHAN KARAKUZU

    YRD. DOÇ. DR. GÜLAY TEZEL

  5. Tez No

    169116

    Automatic spike detection using fuzzy C-means clustering

    Fuzzy C-means sınıflandırma ile otomatik diken belirleme

    ZEYNEP HİLAL İNAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET KUNTALP

Geri Dön