Detection of epileptic seizures from EEG signals by using daubechies wavelets
Daubechies dalgacıkları kullanılarak EEG sinyallerinden epileptik nöbetlerin belirlenmesi
- Tez No: 768400
- Danışmanlar: PROF. DR. GÜLAY TOHUMOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Teknolojiler Bilim Dalı
- Sayfa Sayısı: 99
Özet
Nöbet, serebral nöronların düzensiz elektriksel boşalmasının neden olduğu, beynin ani ve anormal aktivitesidir. En çok bilinen nöbetlerden biri, sinir hücrelerinin kontrolsüz boşalmasından kaynaklanan epileptik nöbet olarak adlandırılan tekrarlı ataklardır. Geleneksel bir EEG, epilepsiye işaret eden bu kontrolsüz süreci tespit etmek için sıklıkla yardımcı olur. Nöbetlerin görsel tespiti, özellikle uzun kayıtlarda, gözle görülür bir çaba ve zaman gerektirir, bu nedenle epileptik nöbetleri tespit etmek için alternatif yöntemlere ihtiyaç duyulmaktadır. Literatürde farklı yaklaşımların kullanıldığı çok sayıda epilepsi tespit çalışması yapılmıştır. Ancak bunların birçoğu hastaya özel sınıflandırıcılar kullanmaktadır. Bu çalışmada, epileptik nöbetlerin tespiti için dalgacık tabanlı algoritma farklı sınıflandırma yöntemlerine uyarlanmıştır. Epileptik nöbetin etkin frekans aralıklarını tespit etmek için sinyalin alt bantlarına ulaşmak önemlidir. Bu nedenle epileptik nöbetlere benzeyen bir ana dalgacık seçimi zordur. Dolayısıyla, ideal mertebeden bir Daubachies (db) dalgacığı, en iyi performansları elde edebilmek için kritik bir nokta haline gelir. Burada, orijinal EEG sinyalini ayrıştırmak için nöbetlerle güçlü korelasyona sahip olan db2'den db10'a Daubachies dalgacıkları seçilmiştir. Algoritma iki farklı veri kümesine uygulanır. Son olarak, sınıflandırma modeli için en uygun 8 öznitelik kullanılmıştır. Epileptik ve sağlıklı grupları ayırt etmek için Karar Ağaçları, Diskriminant Analizi, Naive Bayes, Destek Vektör Makinesi (DVM) ve k-En Yakın Komşu (k-NN) olmak üzere çeşitli makine öğrenme algoritmaları kullanıldı. Sonuçlar, db10'un DVM sınıflandırıcısını kullanarak beta bandında %95.83-100'lük en iyi ACC performansını verdiğini göstermektedir. Bu yöntem geleneksel yaklaşımlara iyi bir alternatif olabilir.
Özet (Çeviri)
A seizure is a sudden and abnormal activity of brain, caused by disorderly electrical discharge of cerebral neurons. One of the most known seizures is recurrent attacks namely epileptic seizures which result from uncontrolled discharges of nerve cells. A traditional electroencephalogram (EEG) is often helpful to detect this uncontrolled process that indicates epilepsy. The visual detection of the seizures is required noticeable effort and time, especially in the long recordings, therefore alternative methods are needed. In the literature, there have been various epilepsy detection studies using different approaches. However, most of them utilizes patient-specific classifiers. In this study, wavelet-based algorithm is adopted to different classification methods for detection of epileptic seizures. To detect the effective frequency intervals of epileptic seizure, it is important to reach subbands of signal. Thus, choosing the suitable mother wavelet that resembles epileptic seizure is challenging. Consequently, ideal order Daubechies (db) wavelet becomes a critical point to achieve best performances. Here, it is selected Daubechies wavelets from db2 to db10 which have strong correlation with seizures to decompose the original EEG signal. The algorithm is applied on two different datasets. Eventually, the most appropriate eight features are used for classification model. Various machine learning algorithms namely, Decision Trees, Discriminant Analysis, Naive Bayes, Support Vector Machine (SVM), and k-Nearest Neighbor are used to differentiate epileptic and non-epileptic groups. The results show that db10 gives the best ACC performance of 95.83-100% in beta band using SVM classifier. This method can be a good alternative to the traditional approaches.
Benzer Tezler
- Melez sınıflandırma yaklaşımı ile EEG işaretlerinden epileptik dönemlerin algılanması
Detection of epileptic seizures from the EEG signals by using a hybrid classification approach
FUNDA KUTLU
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMAL KÖSE
- Makine öğrenmesi yöntemleri kullanılarak EEG sinyalinden epileptik nöbetlerin tespiti
Detection of epileptic seizures from EEG signal using machine learning methods
ESMIRA ABDULLAYEVA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK
- Deneysel olarak oluşturulan epileptik diken aktivitesinin sinyal işleme metotları ve yapay sinir ağları kullanılarak incelenmesi ve bulguların otonomik ve davranışsal yanıtlarla füzyonu
Investigation of experimentally induced epileptic spike activity using signal processing methods and artificial neural networks and fusion of findings with autonomic and behavioral responses
DENİZ KARAÇOR
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT HÜSNÜ SAZLI
PROF. DR. EYÜP SABRİ AKARSU
- EEG sinyali kullanarak epileptik nöbetlerin gerçek zamanlı tahmini
Real-time estimation of epileptic seizures using EEG signal
NASIM MOSTAFA POUR
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM YÜCEL ÖZBEK
- Epilepsy seizure detection in eeg signals using wavelet transforms and support vector machines
Dalgacık dönüşümü ve destek vektör makineleri kullanarak epilepsi nöbeti tanıma
AWIN MAHMOOD SALEEM
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÇINAR