Geri Dön

Makine öğrenme algoritmaları ile elektroensefalografi analizi ve epilepsi tanı yöntemlerinin geliştirilmesi

Development of diagnosis of epilepsy and electroencefalography analysis with machine learning algorithms

PDF İndir

  1. Tez No: 802767
  2. Yazar: GİZEM GÜLER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TEMEL SÖNMEZOCAK, DR. ÖĞR. ÜYESİ MERİH YILDIZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Doğuş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yapay sinir ağları teknolojisinin gelişmesiyle birlikte, sağlık alanında insan vücudundan alınan verilerin yorumlanmasında makine öğrenmesi teknikleri uygulanmaktadır. Beyindeki elektriksel aktiviteyi ölçen Elektroensefalografi (EEG), epilepsi hastalığı için en önemli tanı yöntemi olarak kullanılmaktadır. Epilepsi, nörolojik bir hastalık olarak çocuklarda yaygın olarak görülmektedir. EEG ölçümü esnasında çocuklardaki hareketlilik ve beyin gelişimlerinin henüz tamamlanmaması sebebi ile özellikle pediatrik hastalarda tanı koymayı zorlaştırmaktadır. Bu çalışmada Children Hospital Boston tarafından erişime açılmış, yaşları 7-12 arasında değişen 22 hastadan alınan veriler kullanılmıştır. Öncelikle veri setlerinde nöbet dalgalarını içeren görüntü aralıkları belirlenerek ayrık Fourier dönüşümü uygulanmıştır. Hastaların nöbetli ve sağlıklı durumdaki frekans spektrumunun genlik-frekans özellikleri çıkarılmıştır. Makine öğrenmesi sınıflandırması için yapay sinir ağları kullanılarak %92,01 doğruluk oranı elde edilmiştir. Bir sonraki adımda, orijinalinde 256Hz olarak ölçülen EEG sinyalleri örnekleme frekansı 64Hz ile değiştirilerek aynı işlemler tekrarlanmıştır. Yeniden örnekleme ile depolama alanı ve işlemci gücü gibi sınırlayıcı faktörlerin dezavantajları en aza indirgenerek, daha az depolama alanı kullanımı ve daha yüksek işlem hızı elde edilebilir. 64Hz örnekleme frekansı için yapay sinir ağları makine öğrenmesi algoritması ve sınıflandırma teknikleri kullanılarak %95,89 doğruluk oranı elde edilmiştir. Makine öğrenmesi sınıflandırması için destek vektör makineleri (DVM) kullanıldığında ise 256Hz örnekleme frekansı için %97.27 ve 64Hz örnekleme frekansı için %96.80 doğruluk oranı elde edilmiştir.

Özet (Çeviri)

With the development of artificial intelligence technology, methods based on machine learning are preferred in the field of health to interpret of signals received from the human body. Electroencephalography (EEG), which measures the electrical activity of the brain, is used as the most important diagnostic method in epilepsy. Epilepsy as a neurological disease is common in children. Due to the mobility of children during EEG monitoring and the incomplete brain development makes it difficult to diagnose the disease. In this study, datasets obtained from 22 patients aged between 7 and 12 years, with a sampling frequency rate of 256 Hz, provided by Children Hospital Boston, were used. In this study, firstly, the amplitude-frequency characteristics of the frequency spectrum of the patients during the seizure and in the non-seizure state were extracted by determining the time intervals of the seizure-containing imaging in the datasets, using the discrete Fourier transform and data classification. When the artificial neural networks (ANN) techniques were used for machine learning classification ,92.01% accuracy rate was achieved. As a next step, EEG signals were resampled by 64Hz. By resampling, less storage space usage and higher processing speed can be achieved by minimizing the disadvantages of limiting factors such as storage space and processor power. For 64Hz by applying artificial neural networks machine learning and classification methods, 95.89% overall accuracy rate was achieved. When support vector machines (SVM) are used as a classification method, 97.27% accuracy for sampling rate 256Hz and 96.80% accuracy for sampling rate 64Hz was achieved.

Benzer Tezler

  1. Tez No

    957403

    Epilepsi hastalarında nöbet öncesi bulguların kantitatif olarak değerlendirilmesi

    Quantitative evaluation of pre-seizure findings in epilepsy patients

    ASIM TAŞKIN

    Doktora

    Türkçe

    Türkçe

    2025

    NörolojiTekirdağ Namık Kemal Üniversitesi

    Nöroloji Ana Bilim Dalı

    PROF. DR. AYSUN ÜNAL

    PROF. DR. RİFAT KORAY ÇİFTÇİ

  2. Tez No

    672964

    Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti

    Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods

    ZÜLFİKAR ASLAN

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  3. Tez No

    203

    Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu

    Başlık çevirisi yok

    İRFAN KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BORAT

  4. Tez No

    257

    Kuyruk modelleri ve analizi üzerine bir uygulama

    Başlık çevirisi yok

    DİDEM ÖZPULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İstatistikEge Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET İKİZ

  5. Tez No

    320

    Yenileme yatırımları

    Başlık çevirisi yok

    OSMAN NURİ FİLİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    İşletmeGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN OKKA

Geri Dön