Epilepsy disease detection by EEG signal recognition using AI technique and IoTs
AI tekniği ve IoTs kullanılarak EEG sinyal tanıma ile epilepsi hastalığının tespiti
- Tez No: 940629
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırma, IoT'deki ilerlemelerden, orta düzey sinyal gücünden ve gelişmiş derin öğrenme otokodlayıcılarından yararlanarak epileptik nöbetleri tespit etmek için yeni bir yaklaşım sunmaktadır. Temel amaç, sinyal işlevi performansını derin öğrenme otokodlayıcısının gelişmiş özellik çıkarma yetenekleriyle sinerji haline getirmek ve böylece teknolojinin mevcut geleneksel yöntemlerden daha verimli ve hızlı bir şekilde optimum özellikleri belirlemesini sağlamaktır. Bu yeni yöntem, aynı alandaki çeşitli mevcut hesaplama araçlarına karşı karşılaştırmalı analizden geçecektir. Ek olarak, bu alandaki yerleşik çalışmalarla kıyaslanacaktır. Bu çerçevenin etkinliği, onu epilepsi tespiti ve EEG sinyal sınıflandırmasında önde gelen araştırmalar arasında olumlu bir konuma getiren etkileyici %99,00 doğruluğu ile vurgulanmaktadır.
Özet (Çeviri)
This research introduces a novel approach for detecting epileptic seizures, leveraging advancements in IoT, moderate signal strength, and advanced deep learning autoencoders. The core aim is to synergize signal function performance with enhanced feature extraction capabilities of a deep learning autoencoder, thereby enabling the technology to identify optimal characteristics more efficiently and swiftly than existing traditional methods. This new method will undergo comparative analysis against various existing computational tools in the same domain. Additionally, it will be benchmarked against established studies in this field. The efficacy of this framework is underscored by its impressive 99.00% accuracy, positioning it favorably among leading research in epilepsy detection and EEG signal classification.
Benzer Tezler
- EEG sinyallerinin epilepsinin nöbet öncesi tespitine yönelik analizi ve modellenmesi
Analysis and modeling of EEG signals for pre-seizure detection of epilepsy
TUĞBA ŞENTÜRK
- Epileptik nöbet belirtilerinin tespiti: EEG sinyallerinin dalgacık dönüşümleri ve transformer modelinin rolü
Detection of epileptic seizure symptoms: The role of wavelet transforms of EEG signals and the transformer model
ALİ DEMİR
- Epileptik preiktal aktivitelerin EEG-Aura tabanlı evrişimsel sinir ağları ve topoğrafik haritalama yaklaşımı ile değerlendirilmesi
Evaluation of epileptic preictal activities by EEG-Aura based convolutional neural networks and topographic mapping approach
HASAN POLAT
- EEG işaretlerinden epilepsi türlerinin sınıflandırılmasında skalogram tabanlı derin öğrenme yaklaşımı
Scalogram based deep learning approach for classification of epilepsy types from EEG signals
ÖMER TÜRK
- Akıllı EEG tasarımı
Başlık çevirisi yok
İBRAHİM DURSUN
Yüksek Lisans
İngilizce
2021
Dicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
