Geri Dön

Makine öğrenmesi yöntemleri kullanılarak EEG sinyalinden epileptik nöbetlerin tespiti

Detection of epileptic seizures from EEG signal using machine learning methods

  1. Tez No: 796906
  2. Yazar: ESMIRA ABDULLAYEVA
  3. Danışmanlar: DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: EEG, Epilepsi, DVM, LSTM, Welch yöntemi, EEG, Epilepsy, SVM, LSTM, Welch method
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 49

Özet

Epilepsi, sık görülen bir nörolojik hastalıktır. Epilepside beyinde bulunan nöronlarda ani ve kontrolsüz boşalmalar (deşarjlar) oluşur. Bunun sonucunda hastada istemsiz kasılmalar, duyusal değişiklikler ve bilinç değişiklikleri meydana gelir. Epilepsi nöbetler halinde olan bir hastalıktır. Nöbet aralarında hasta sağlıklıdır. Bu çalışmada EEG sinyalleri kullanılarak kişinin nöbet geçirip geçirmediğinin tespit edilmesi hedeflenmiştir. Çalışmada Bonn EEG veri kümesi web sitesindeki halka açık veri kümesi kullanılmıştır. Bu çalışmada A ve E kümeleri kullanılmıştır. A kümesi sağlıklı kişilerden, E kümesi ise epilepsi hastalarının nöbet aktivitesi verilerinden oluşmaktadır. Çalışmada sinyal ön işleme için Welch yöntemi kullanılmıştır. Welch işlemi sonucunda 129 özellik çıkarılmıştır. Sınıflandırma aşamasında ise Destek Vektör Makinesi (DVM), Naive Bayes (NB), Rastgele Orman (RO), Levenberg-Marquardt (LM) algoritmaları ve Uzun Kısa Süreli Bellek (LSTM) sinir ağı kullanılmıştır. Sınıflandırmadan elde edilen sonuçları değerlendirmek için doğruluk, kesinlik, duyarlılık, f1-skor istatistikleri ve k-kez çapraz doğrulama kullanılmıştır. K-kez çapraz doğrulamada k parametresi 10 olarak belirlenmiştir. Çalışmada DVM algoritması ile elde edilen ortalama doğruluk %97,91, kesinlik %96,09, duyarlılık %100, f1-skor %98 olmuştur. RO algoritması ile elde edilen ortalama doğruluk oranı %99,86, kesinlik %99,85, duyarlık %99,88, f1-skor %99,86 olmuştur. NB algoritmasının ulaştığı ortalama doğruluk %97,67, ortalama kesinlik %98,80, ortalama duyarlık %96,43, ortalama f1-skor ise %97,28 olmuştur. LM algoritması ile elde edilen ortalama doğruluk %98,83, kesinlik %97,86, duyarlılık %99,97, f1-skor %98,88 olmuştur. LSTM algoritması ile elde edilen ortalama doğruluk %99,38, kesinlik %99,52, duyarlılık %99,31, f1-skor %99,39 olmuştur.

Özet (Çeviri)

Epilepsy is a common neurological disease. In epilepsy, sudden and uncontrolled discharges occur in neurons in the brain. As a result, involuntary contractions, sensory changes and changes in consciousness occur in the patient. Epilepsy is a disease that occurs in seizures. Between seizures, the patient is healthy. In this study, it is aimed to determine whether the person has a seizure by using EEG signals. In the study, the public dataset from the Bonn EEG dataset website was used. A and E folds were used in this study. Fold A consists of healthy people, fold E consists of seizure activity data of diseased people. In the study Welch method was used for signal preprocessing. As a result of Welch, 129 features were extracted. In the classification phase, Support Vector Machine (SVM), Naive Bayes (NB), Random Forest (RF), Levenberg-Marquardt (LM) algorithms and Long Term Short Term Memory (LSTM) neural network were used. Accuracy, precision, recall, f1-score statistics and k-times cross validation were used to evaluate the results from the classification. In k-times cross validation, the k parameter is set to 10. In the study, the average accuracy obtained with the SVM algorithm was 97.91%, the precision was 96.09%, the recall was 100%, and the f1-score was 98%. The average accuracy rate obtained with the RF algorithm was 99.86%, precision 99.85%, recall 99.88%, f1-score 99.86%. The average accuracy reached by the NB algorithm was 97.67%, the average precision was 98.80%, the average recall was 96.43%, and the average f1-score was 97.28%. The average accuracy obtained with the LM algorithm was 98.83%, precision 97.86%, recall 99.97%, f1-score 98.88%. The average accuracy obtained with the LSTM algorithm was 99.38%, precision 99.52%, recall 99.31%, f1-score 99.39%.

Benzer Tezler

  1. Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti

    Detection of alzheimer's from EEG signal with machine learning methods

    YELİZ ŞENKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

  2. Classification of ten different motor imagery eeg signals by using deep neural networks

    On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması

    NURİ KORHAN

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

  3. Obtaining EEG-based features of mental states with brain-computer interfaces using machine learning

    Makine öğrenmeyi kullanarak beyin-bilgisayar arayüzleri ile zihinsel durumların EEG tabanlı özelliklerinin elde edilmesi

    AHSAN MUMTAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. IMAN ELAWADY

  4. Makine öğrenmesi yöntemleri kullanılarak EEG verisinden zihinsel dikkat durumu tespiti

    Determination of mental attention state with EEG based bci usingmachine learning methods

    MURAT KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÇİĞDEM ACI

    DOÇ. DR. YURİY MİSHCHENKO

  5. Odyometri sistem tasarımı ve EEG sinyalleri kullanılarak makine öğrenmesi yöntemleri ile işitme testi

    Audiometry system design and hearing test with machine learning methods using EEG signals

    MUSTAFA KÜÇÜKAKARSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET REŞİT KAVSAOĞLU