Multifraktal, spektral analiz ve uzun-kısa süreli hafıza derin öğrenme modeli kullanılarak EEG sinyallerinden kanal bazında epileptik nöbet tespiti
Epileptic seizure detection from EEG signals on the basis of channels using multifractal, spectral analysis and long-short-term memory deep learning model
- Tez No: 794563
- Danışmanlar: DOÇ. DR. ÖMER KASIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 126
Özet
Beyindeki elektriksel aktivitesinin düzensiz seviyede boşalması önemli bir rahatsızlıktır. Epilepsi olarak bilinen bu rahatsızlık uzmanlarca elektroensefalografi sinyalleri incelenerek teşhis edilir. Uzmanların yoğun çalışması ve uzun elektroensefalografi çekimlerinde nöbetlerin tespitinin yapay zekâ ile desteklenmesi önemlidir. Bu amaç doğrultusunda, bu çalışmada önerilen yapay zekâ modeli ile CHB-MIT Scalp veri setindeki elektroensefalografi sinyalleri analiz edilerek normal ve epileptik veriler olarak sınıflandırılmıştır. Analiz için 22 kanaldan kaydedilen ve 10 saniyelik segmentlere ayrılan elektroensefalografi sinyallerine Multifraktal Analiz, Anlık Frekans ve Spektral Entropi yöntemleri uygulanmıştır. Analiz yöntemleri ile 162 bileşenden oluşan özellik vektörü elde edilmiştir. 175 adet normal etiketli ve 172 adet epileptik nöbet elektroensefalografi kayıtlarına ait özellik vektörleri çalışmanın veri seti oluşturulmuştur. Sonrasında çalışmadaki yapay zeka yönteminin eğitimi için veriseti, %80 eğitim ve %20 doğrulama olarak ikiye ayrılmıştır. Eğitim için ayrılan 278 veri ile Çift Yönlü Uzun-Kısa Süreli Hafıza Derin Öğrenme Modeli eğitilmiştir. Kalan 69 veri ile de derin öğrenme modeli doğrulanmıştır. Doğrulama sonucu kanal bazında en yüksek başarı metrikleri Fp1-F7 ve CZ-PZ kanallarından elde edilmiştir. Bu kanallardaki başarı metrikleri sırası ile Doğruluk %85,29, Özgüllük %87,88, Hassasiyet %87,88, Yanlış Pozitif Oranı %12,12, Duyarlılık %82,86, Negatif Tahmin Değeri %82,86, F1-puanı %85,29, Mathews Korelasyon Katsayısı %70,74, Yanlış Negatif Oranı %17,14 ve Yanlış Keşif Oranı %12,12 hesaplanmıştır. Bu sonuç önerilen yöntemin kanal bazında epileptik nöbetleri tespit edebildiğini gösterir. Sonuç olarak, geliştirilen yapay zekâ yöntemi bu alanda çalışan uzmanları asiste edebilecek niteliktedir.
Özet (Çeviri)
Irregular discharge of electrical activity in the brain is an important disorder. This disorder, known as epilepsy, is diagnosed by experts by examining electroencephalography signals. It is important to support the detection of seizures with artificial intelligence in the intensive work of experts and long electroencephalography shots. For this purpose, the artificial intelligence model proposed in this study and the electroencephalography signals in the CHB-MIT Scalp data set were analyzed and normal and epileptic data were classified. Multifractal, Instantaneous frequency and Spectral entropy methods were applied to electroencephalography signals recorded from 22 channels and divided into 10-second segments for analysis. With the analysis methods, a feature vector consisting of 162 components was obtained. The feature vectors of 175 normal labeled and 172 epileptic seizure electroencephalography recordings were created for the study. Afterwards, the dataset of the study was divided into two as 80% for training and 20% for validation. Long-short-term memory deep learning model was trained with 278 data allocated for training. The deep learning model was validated with the remaining 69 data. As a result of the validation, the highest success metrics on channel basis were obtained in the Fp1-F7 and CZ-PZ channels. The success metrics in these channels are Accuracy 85.29%, Originality 87.88%, Sensitivity 82.86%, False Positive Rate 12.12%, Sensitivity 82.86%, Negative Prediction Value 82.86%, F1-score 85%, respectively. .29, Matthews Correlation Coefficient 70.74%, False Negative Rate 17.14% and False Discovery Rate 12.12%. These results show that the proposed method can detect epileptic seizures on a channel basis. As a result, the developed artificial intelligence method is capable of assisting experts working in this field.
Benzer Tezler
- Essays on the return, volatility and correlation features of emerging market bonds and related models
Gelişmekte olan ülke piyasa tahvillerinin getiri, oynaklık, çapraz korelasyon yapıları ve ilgili modeller üzerine makaleler
MUSTAFA DEMİREL
Doktora
İngilizce
2020
EkonometriYeditepe ÜniversitesiFinansal İktisat Ana Bilim Dalı
PROF. DR. GAZANFER ÜNAL
- Stochastic modeling of stock exchange markets: Three essays
Borsa piyasalarının stokastik modellemesi
YAVUZ YILDIRIM
Doktora
İngilizce
2021
EkonomiYeditepe ÜniversitesiFinansal İktisat Ana Bilim Dalı
PROF. DR. GAZANFER ÜNAL
- General fractal dimensions and intermittency in coupled map lattices
Eşlenmiş tasuir örgülerde genelleştirilmiş fraktal boyutlar ve kesiklilik
AYŞE GORBON
- Optimal portfolio allocation under fractal theory
Fraktal teori çerçevesinde optimal portföy seçimi
TÜRKER AÇIKGÖZ
Yüksek Lisans
İngilizce
2024
MaliyeOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BÜŞRA ZEYNEP TEMOÇİN
- Fraktal piyasa hipotezinin uluslararası piyasalarda MFDFA yöntemi ile test edilmesi
Testing the fractal market hypothesis in international markets with the MFDFA method
FARUK TEMEL
Doktora
Türkçe
2023
İşletmeBurdur Mehmet Akif Ersoy Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. OSMAN TUĞAY