EEG verileri ile derin öğrenme tabanlı epilepsi nöbeti teşhisi
Emotion analysis with EEG based deep learning
- Tez No: 804890
- Danışmanlar: DOÇ. DR. MELİH KUNCAN, DR. ÖĞR. ÜYESİ KAPLAN KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Canlıların vücudunun düzenli bir şekilde işlemesini ve hayatını devam ettirmesi için gereken işleri yerine getirmesinin kontrolünü sağlayan temel organ beyindir. Bu açıdan düşünüldüğünde beynin insan hayatı için de hayati bir öneme sahip olduğu ve bu organ üzerinde meydana gelecek aksaklıkların direkt olarak vücudu etkileyeceği aşikardır. Elektroensefalografi (EGG) beyinde meydana gelen aksaklıkların tespit edilmesini sağlayan bir araç niteliğindedir ve beyinde gerçekleşen elektriksel aktivitenin sonucunda elde edilen bir sinyal türüdür. EEG sinyallerinin nörolojik hastalıklarının birçoğuna özel bilgiler taşıması da araştırmacıları bu sinyalleri incelemeye itmiştir. Beyinde meydana gelen ve EEG sinyallerinden faydalanılarak tespiti gerçekleştirilen hastalıklardan biri de gün geçtikçe görülme oranı artan ve kısıtlı imkanlar sebebiyle ölüm veya kalıcı hasarla sonuçlanabilen epilepsi hastalığıdır. Bu imkansızlıklardan doğan tehlikelerin varlığı araştırmacıları maliyeti düşük asistan sistemler önermeye sürüklemiştir. Bu çalışma kapsamında bizler de epilepsi hastalığının bu yayılışına istinaden uzmanların çevresel faktörlerden kaynaklı olarak yapabilecekleri hataları azaltmak ve bu hataların doğurabileceği telafisi zor olan veya olmayan hataların önüne geçilmesi adına bir asistan fikir oluşturmayı amaçladık. Bu doğrultuda iki farklı veri setiyle çalışmamızı gerçekleştirerek sağlıklı ve epilepsi hastalığına sahip insanların verilerini analiz edip bu analizler sonucunda deneklerin bulunduğu hallerin tespitini gerçekleştirmeyi amaçladık. Edindiğimiz bu amaç doğrultusunda The Hauz Khas veri setini ve literatürde sıklıkla kullanılan Bonn Epilepsi veri setini derin öğrenme yöntemlerinden Resnet-50, Resnet-101, AlexNet, GoogleNet ve VGG-19 yaklaşımlarını veri setlerine uygulayarak sınıflandırdık. Ancak verileri ham bir şekilde almaktansa sınıflandırma işlemine daha keskin sınırlarla tabi tutmak adına Kısa Zamanlı Fourier Dönüşümü (Short Time Fourier Transform, STFT) ve Sürekli Dalgacık Dönüşümü (Continous Wavelet Transform, CWT) yöntemlerini uygulayarak sınıflandırma doğruluğunu dolayısıyla da yöntemin kabul edilebilirliğini artırmaya çalıştık. Yapılan çalışma nihayetinde özellik çıkarım yöntemi olarak CWT kullanımının sonucunda The Hauz Khas veri seti üzerindeki preiktal ve iktal anlarını tüm sınıflandırıcılarla %100 oranında sınıflandırmayı başardık. Ayrıca Bonn veri setinin ikili sınıflandırmalarında da CWT özellik çıkarım yönteminden faydalanarak tüm sınıflandırıcılarla %100 başarı oranına ulaşırken
Özet (Çeviri)
The brain is the basic organ that controls the regular functioning of the body of living things and the fulfillment of the tasks necessary for their survival. When considered from this point of view, it is obvious that the brain has a vital importance for human life and that any malfunctions in this organ will directly affect the body. Electroencephalography (EGG) is a tool that enables the detection of malfunctions in the brain and is a type of signal obtained as a result of electrical activity in the brain. The fact that EEG signals carry specific information about many neurological diseases has pushed researchers to examine these signals. One of the diseases that occur in the brain and that can be detected by using EEG signals is epilepsy, the incidence of which is increasing day by day and may result in death or permanent damage due to limited opportunities. The existence of the dangers arising from these impossibilities has led researchers to propose low-cost assistant systems. Within the scope of this study, we aimed to create an assistant approach in order to reduce the mistakes that the specialists can make due to environmental factors and to prevent the irreparable or unrecoverable mistakes that these mistakes may cause. In this direction, we aimed to analyze the data of healthy people and people with epilepsy by performing our study with two different data sets and to determine the states of the subjects as a result of these analyzes. Within the scope of this study, we aimed to create an assistant approach in order to reduce the mistakes that the specialists can make due to environmental factors and to prevent the irreparable or unrecoverable mistakes that these mistakes may cause. In this direction, we aimed to analyze the data of healthy people and people with epilepsy by performing our study with two different data sets and to determine the states of the subjects as a result of these analyzes. For this purpose, we classified The Hauz Khas dataset and Bonn Epilepsy dataset, which is frequently used in the literature, by applying the deep learning methods Resnet-50, Resnet-101, AlexNet, GoogleNet and VGG-19 approaches to the datasets. However, we tried to increase the classification accuracy and thus the acceptability of the method by applying the Short Time Fourier Transform (STFT) and Continuous Wavelet Transform (CWT) methods to the data in order to subject the data to the classification process with sharper limits rather than taking the data in a raw way. At the end of the study, as a result of using CWT as a feature extraction method, we were able to classify the preictal and ictal moments on The Hauz Khas dataset at 100% with all classifiers. In addition, we achieved 100% success rate with all classifiers by using the CWT feature extraction method in binary classifications of the Bonn dataset. Finally, we achieved a classification success rate of 99,33% in the classification of the AB-CD-E group.
Benzer Tezler
- 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
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN
- Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi
DCT based analysis of 1D and 2D biomedical signal
FATMA DEMİREZEN YAĞMUR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- Classification of the motor EEG signals by using deep neural networks
Derin sinir ağları kullanarak motor EEG sinyallerinin sınıflandırılması
LEYLA ABILZADE
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Target identification with deep learning for SSVEP-based brain-computer interface spellers
GUDHP tabanlı beyin-bilgisayar arayüzü heceleticileri için derin öğrenme ile hedef tespiti
OSMAN BERKE GÜNEY
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- EEG işaretlerinden dikkat eksikliği ve hiperaktivite bozukluklarının makine öğrenmesi yöntemleri ile belirlenmesi
Attention deficit and hyperactivity from EEG signs determination of disorders by machine learning methods
BUĞRA KARAKAŞ
Yüksek Lisans
Türkçe
2024
Çocuk Sağlığı ve HastalıklarıFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR