Performance of bi-directional long short-term memory networks in discriminating brain activity states from EEG signals
Beyin aktivite durumlarını EEG sinyallerinden ayırt etmede çift yönlü uzun kısa süreli bellek ağlarının performansı
- Tez No: 864955
- Danışmanlar: DOÇ. DR. GÖKHAN ERTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rastgele veri bölme ve veri normalizasyonunun, beyin aktivite durumlarını ayırt etmek için EEG sinyallerinin sınıflandırılmasında çift yönlü uzun kısa süreli bellek (Bi-LSTM) ağlarının performansı üzerindeki etkisi araştırılmaktadır. Sağlıklı gönüllülerden ve epilepsi hastalarından beş beyin aktivitesi durumunu ileten 500 EEG sinyali, zaman serisi verileri olarak numaralandırılan bir çift anlık frekans ve anlık spektral entropi özelliğini çıkarmak için işlenir. Özellikler min-maks ve z-puanı normalleştirme yöntemleriyle normalleştirilir. Bi-LSTM ağları, özellik verilerini kabul eden bir giriş katmanı, 10 üniteyi barındıran bir Bi-LSTM katmanı ve sınıflandırma görevi tarafından belirlenen iki veya üç sınıfa sahip bir çıkış katmanı ile uygulanır. Eğitim ve test veri seti çiftleri, katmanlı rastgele veri bölünmesiyle elde edilir. Bu çalışmada 27000 Bi-LSTM ağı eğitilmiş ve test edilmiştir. Z-puanı normalize edilmiş özellik verileriyle beslenen ağlar, normalleştirilmemiş verilerle beslenen ağlarla veya mix-max yöntemi kullanılarak normalleştirilmiş verilerle beslenen ağlarla karşılaştırıldığında önemli ölçüde daha yüksek genel doğruluk sağlar (P<0.001). Genel duyarlılık, özgüllük ve doğruluk, 2 sınıflı sınıflandırma görevleri için %98,8, %99,4 ve %99,1'dir ve tüm sınıflandırma görevleri için %98,7, %99,1 ve %98,8'dir. EEG sinyallerinden beyin aktivite durumlarının sınıflandırılmasında, rastgeleliğin etkisi takip edildiğinde yüksek performanslı Bi-LSTM ağları belirlenebilmektedir. Giriş verilerinin normalleştirilmesi her zaman en iyi doğruluk için çok kritik değildir ancak z-puanı normalleştirmesinin kullanılması daha yüksek doğruluğu garanti eder. Klinik uygulamanın potansiyel faydalarını açıklığa kavuşturmak için daha fazla klinik çalışmaya ihtiyaç vardır.
Özet (Çeviri)
The impact of random data splitting and data normalization on the performance of bi-directional long short-term memory (Bi-LSTM) networks in classifying EEG signals for discriminating brain activity states are investigated. 500 EEG signals conveying five brain activity states from healthy volunteers and patients who have epilepsy are processed to extract a pair of instantaneous frequency and instantaneous spectral entropy features enumerated as time-series data. The features are normalized by the min-max and the z-score normalization methods. Bi-LSTM networks are implemented with an input layer accepting feature data, a Bi-LSTM layer housing ten units, and an output layer with two or three classes determined by the classification task. Training and test data set pairs are obtained by stratified random data splitting. 27000 Bi-LSTM networks are trained and tested in this study. The networks fed by z-score normalized feature data provide significantly higher overall accuracy when compared to the networks fed by the data left not normalized or the networks fed by the data normalized using the mix-max method (P<0.001). The overall sensitivity, specificity, and accuracy are 98.8%, 99.4%, and 99.1% for the 2-class classification tasks and are 98.7%, 99.1%, and 98.8% for all classification tasks. In the classification of brain activity states from EEG signals, high-performance Bi-LSTM networks can be determined when the influence of randomness is traced. Input data normalization is not always crucial for best accuracy, but the use of z-score normalization guarantees higher accuracies. Further clinical studies are needed to clarify the potential benefits of clinical practice.
Benzer Tezler
- Asenkron motor rulman hatalarının uzun-kısa süreli bellek tipi derin sinir ağları ile sınıflandırılması
Classification of induction motor bearing faults using long-short term memory deep neural networks
RUMEYSA HACER KILIÇ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Mikro şebekelerde yeniden yapılandırma problemine üretim ve tüketim tahmini destekli yeni bir algoritmik yaklaşım
A novel algorithmic approach for reconfiguration problem in microgrids considering generation and consumption forecasts
FATMA YAPRAKDAL
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BAYSAL
- Derin sinir ağları ile modülasyon sınıflandırma
Başlık çevirisi yok
YUSUF ARAS
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
- Building of Turkish propbank and semantic role labeling of Turkish
Türkçe önerme veri tabanının oluşturulması ve Türkçenin anlamsal görev çözümlemesi
GÖZDE GÜL ŞAHİN
Doktora
İngilizce
2018
Dilbilimİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EŞREF ADALI
- Mention extraction and normalization using ontologies in the biomedical domain
Biyomedikal alanda varlık ismi tanıma ve ontolojileri kullanarak normalize etme
MERT TİFTİKCİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN