Geri Dön

1D ve 2D cnn derin öğrenme algoritmaları ile eeg sinyallerinden nörolojik hastalık tespiti

Neurological disease detection from eeg signals with 1d and 2d cnn deep learning algorithms

PDF İndir

  1. Tez No: 882532
  2. Yazar: BAHADIR ARABACI
  3. Danışmanlar: PROF. DR. KEMAL POLAT, DR. ÖĞR. ÜYESİ HAKAN ÖCAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bolu Abant İzzet Baysal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 88

Özet

Bu tez çalışmasında, Epilepsi, Alzheimer ve Parkinson hastalığının 1 Boyutlu (1D) ve 2 Boyutlu (2D) spektrograma dönüştürülmüş sinyallerden derin öğrenme yoluyla tespiti yapılmıştır. EEG sinyallerinin karmaşıklığı nedeniyle, doğru nörolojik hastalık tespiti için yenilikçi bir yaklaşım gerekmektedir. Geleneksel yöntemler genellikle EEG verilerini tek boyutlu zaman serisi olarak ele alır ve sinyallerdeki önemli frekans bilgisini göz ardı eder. Çalışmamız, 1D EEG sinyallerini 2D spektrogramlara dönüştüren ve tek boyutlu sınırlamaları ele almak için kısa zamanlı Fourier dönüşümünü kullanan bir metodoloji önermektedir. Bu dönüşüm, frekans desenlerini yakalayarak analizi geliştirir ve nöral aktivitenin daha kapsamlı bir anlayışını sağlar. Epilepsi nöbeti tespitinde, 1D CNN modeli %98,9 doğruluk, %98,9 duyarlılık, %99,2 özgüllük ve %99 F1 skoru ile nöbetleri ve nöbetsiz örnekleri doğru bir şekilde sınıflandırmıştır. 2D formatına dönüştürüldüğünde, CNN'in doğruluğu %98,5'ye bir düşüş yaşamış, ancak duyarlılığı %98,6, özgüllüğü %98,4 ve F1 skoru %98,4 olarak elde edilmiştir. Alzheimer hastalığının tespitinde, 1D EEG sinyalleri ile %72,5 doğruluk, %69,4 duyarlılık, %75,6 özgüllük ve %71,8 F1 skoru, 2D spektrogramlar ile ise %82,6 doğruluk, %76,9 duyarlılık, %87,1 özgüllük ve %79,5 F1 skoru elde edilmiştir. Parkinson hastalığının tespitinde, 1D EEG sinyalleri %74,3 doğruluk, %69,2 duyarlılık, %78,7 özgüllük ve %71,4 F1 skoru elde ederken, 2D spektrogramlar ile ise %81,2 doğruluk, %83,6 duyarlılık, %79,2 özgüllük ve %79,9 F1 skoru elde edilmiştir. Sonuç olarak, epilepsi tespitinde 1D sinyallerin daha başarılı olduğu görülürken, 2D spektrogramlar Alzheimer ve Parkinson hastalıklarının tespitinde daha yüksek doğruluk, duyarlılık, özgüllük ve F1 skorları sunmaktadır. Bu bulgular, nörolojik hastalıkların teşhisinde 2D spektrogramların kullanımının etkin olduğunu göstermektedir.

Özet (Çeviri)

In this thesis, the detection of Epilepsy, Alzheimer's, and Parkinson's diseases from 1D and 2D spectrogram-converted signals using deep learning was performed. Due to the complexity of EEG signals, an innovative approach is required for accurate neurological disease detection. Traditional methods often treat EEG data as a one-dimensional time series, overlooking significant frequency information in the signals. Our study proposes a methodology that converts 1D EEG signals into 2D spectrograms using the short-time Fourier transform (STFT) to address the limitations of one-dimensional data. This transformation captures frequency patterns, enhancing the analysis and providing a more comprehensive understanding of neural activity. In epilepsy seizure detection, the 1D CNN model accurately classified seizures and non-seizure instances with 98,9% accuracy, 98,9% sensitivity, 99,2% specificity, and an F1 score of 99,0%. When transformed into the 2D format, the CNN's accuracy slightly decreased to 98,5%, but sensitivity was 98,6%, specificity 98,4%, and the F1 score was 98,4%. For Alzheimer's disease detection, 1D EEG signals achieved 72,5% accuracy, 69,4% sensitivity, 75,6% specificity, and an F1 score of 71,8%, whereas 2D spectrograms achieved 82,6% accuracy, 76,9% sensitivity, 87,1% specificity, and an F1 score of 79,5%. In Parkinson's disease detection, 1D EEG signals achieved 74,3% accuracy, 69,2% sensitivity, 78,7% specificity, and an F1 score of 71,4%, while 2D spectrograms achieved 81,2% accuracy, 83,6% sensitivity, 79,2% specificity, and an F1 score of 79,9%. In conclusion, while 1D signals have shown greater success in epilepsy detection, 2D spectrograms provide higher accuracy, sensitivity, specificity, and F1 scores in detecting Alzheimer's and Parkinson's diseases. These findings demonstrate the increased effectiveness of using 2D spectrograms in the diagnosis of neurological diseases.

Benzer Tezler

  1. Tez No

    679855

    EEG sinyalleri kullanarak yeni doğanlarda nöbet tespiti için derin öğrenme yöntemlerinin kullanılması

    Using deep learning methods for seizure detection in newborns by using EEG signals

    MERVE AÇIKOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilim ve TeknolojiFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDA ARSLAN TUNCER

  2. Tez No

    692286

    Kısa dönem elektrik tüketim tahmini için 2D-CNN ve derin öğrenme algoritmaları kullanılarak hibrit bir model geliştirilmesi

    A hybrid model by using 2D-CNN and deep learning algorithms for short-term electricity consumption forecasting

    DUYGU ALTUNKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Gıda ve Tarım Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK YILMAZ

  3. Tez No

    888045

    Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması

    Fault detection and classification for predictive maintenance using machine learning and deep learning methods

    UĞUR İLERİ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDüzce Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF ALTUN

  4. Tez No

    558859

    Sensor-based activity recognition and authentication using deep learning

    Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma

    NİLAY TÜFEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  5. Tez No

    627200

    Neural network based multi-carrier receiver design and doppler estimation

    Yapay sinir ağı tabanlı çok taşıyıcılı alıcı tasarımı ve doppler kestirimi

    YASİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

    DR. SEDAT ÖZER

Geri Dön