Makine öğrenmesi yöntemleri kullanılarak EEG sinyalinden epileptik nöbetlerin tespiti
Detection of epileptic seizures from EEG signal using machine learning methods
- Tez No: 796906
- Danışmanlar: DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: EEG, Epilepsi, DVM, LSTM, Welch yöntemi, EEG, Epilepsy, SVM, LSTM, Welch method
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- 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
- Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti
Detection of alzheimer's from EEG signal with machine learning methods
YELİZ ŞENKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇETİN KURNAZ
- 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
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. IMAN ELAWADY
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇİĞDEM ACI
DOÇ. DR. YURİY MİSHCHENKO
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET REŞİT KAVSAOĞLU