Geri Dön

EEG sinyalleri kullanarak epileptik nöbetlerin önceden tahmin edilmesi

Prediction of epileptic seizures in advance using EEG signals

PDF İndir

  1. Tez No: 946511
  2. Yazar: ATAKAN DAŞDEMİR
  3. Danışmanlar: PROF. DR. HUMAR KAHRAMANLI ÖRNEK
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

Epilepsi, beyindeki anormal elektriksel aktiviteler sebebiyle oluşan ani nöbetlerin sonucu olarak, bilinç kaybı, kontrol edilemeyen kas hareketleri ve iletişim zorlukları gibi ciddi problemlere sebep olan kronik bir nörolojik hastalıktır. Bu nöbetlerin ani ve tahmin edilemez doğası, hastaların yaşam kalitesi ve güvenliğini tehdit etmekte, kazalara, yaralanmalara ve hatta ölümlere sebep olabilmektedir. Dolayısıyla epileptik nöbetlerin önceden doğru biçimde tahmin edilmesi, yaşanabilecek olumsuz olaylara karşı önlem almak için kritik bir öneme sahiptir. Özellikle derin öğrenme tabanlı yöntemler, epileptik nöbetlerin tespiti, sınıflandırılması ve tahmin edilmesi gibi karmaşık biyomedikal sinyal analizlerinde geleneksel yöntemlere kıyasla yüksek başarılar elde etmektedir. Bu yöntemler, EEG sinyallerindeki gizli desenleri ve derin özellikleri yakalama konusunda üstün yetenekleriyle öne çıkmaktadır. Bu çalışmasında, epileptik nöbetlerin belirli bir süre önceden tespiti için, EEG sinyallerinin zaman temsilini temel alan yenilikçi hibrit ve füzyon tabanlı yaklaşımlar önerilmiştir. Çalışmada önerilen yöntemler, epileptik nöbet tahmini için EEG sinyallerinde bulunan karmaşık ve gizli desenlerin daha etkin biçimde yakalanmasına odaklanmaktadır. İlk ikisi temel model olmak üzere, önerilen modeller şunlardır: (a) Zamansal Evrişimli Ağ, zaman dizileri kullanarak EEG sinyallerinin zamansal dinamiklerini yakalamaktadır, (b) Tiny Transformer, EEG spektrogramlarını düşük karmaşıklığa sahip Transformer yapısı ile analiz etmekte ve kompakt yapısıyla dikkat çekmektedir, (c) Hiyerarşik Zamansal Tiny Transformer, EEG verilerindeki çok ölçekli zamansal bağımlılıkları, sıralı temporal evrişimler ve Transformer modüllerini kullanarak hiyerarşik olarak öğrenmektedir ve (d) Paralel Zamansal Tiny ViT Transformer, EEG sinyallerinin frekans ve zamansal bilgilerini, sıralı zamansal evrişim ve Transformer tabanlı iki ayrı paralel kolda işleyerek, elde edilen temsilleri füzyon mekanizmasıyla birleştirmektedir. Hiyerarşik mimari, zamansal özellikleri sıralı modüller aracılığıyla işler. Zamansal Evrişimli Ağ kısa vadeli dinamikleri çıkarırken, Geçitli Tekrarlayan Birim (Gated Recurrent Unit, GRU) sıralı bilgiyi düzenler, ardından zamansal dikkat mekanizması bilgi açısından zengin zaman adımlarını vurgular ve son olarak Tiny Transformer, uzun menzilli bağımlılıkları kendiliğinden dikkat yoluyla yakalar. Paralel yapıdaki modelde, ham EEG ve spektrogram temsilleri eş zamanlı olarak Zamansal Evrişimli Ağ ve Görsel Transformer (ViT) kollarında işlenmekte ve tamamlayıcı zamansal ile spektral özellikler çapraz dikkat (cross-attention) tabanlı bir füzyon stratejisiyle birleştirilmektedir. Yapılan deneysel değerlendirmelerde tüm modeller üstün performans göstermiş olsada, Hiyerarşik Zamansal Tiny Transformer mimarisi, %93,32 duyarlılık, %94,29 kesinlik, %96,19 doğruluk ve 0,99 AUC değerleri ile diğer yöntemlere göre daha iyi performans sergilemiştir. Bu sonuçlar, EEG sinyallerinin farklı temsillerinin entegre edilmesinin epileptik nöbet tahmini için güçlü bir strateji olduğunu göstermektedir. Sonuçlar, çalışmanın epileptik nöbetlerin daha erken ve doğru bir şekilde tahmin edilmesinde etkili olduğunu göstermekle birlikte ileri düzey yaklaşımların geliştirilmesine yönelik değerli katkılar sunmaktadır.

Özet (Çeviri)

Epilepsy is a chronic neurological disorder that arises from abnormal electrical activity in the brain, leading to sudden seizures that may cause severe consequences such as loss of consciousness, uncontrolled muscle movements, and communication difficulties. The unpredictable and abrupt nature of these seizures poses a serious threat to patients' quality of life and safety, potentially resulting in accidents, injuries, and even death. Therefore, accurately predicting epileptic seizures in advance is of critical importance to enable timely interventions and mitigate potential adverse outcomes. Recently, deep learning-based approaches have shown remarkable performance in the detection, classification, and prediction of epileptic seizures, outperforming traditional methods in complex biomedical signal analyses. These methods are particularly effective in capturing latent patterns and deep features in EEG signals. In recent years, the early and accurate prediction of epileptic seizures has become a key research area for enhancing patient safety and improving quality of life. In this context, deep learning methods have been widely employed to analyze EEG signals effectively. This thesis proposes innovative hybrid and fusion-based approaches to predict epileptic seizures several minutes before onset, utilizing the temporal representation of EEG signals. The proposed methods focus on capturing complex and hidden patterns within EEG signals more effectively for accurate seizure prediction. The proposed models—two of which serve as baseline architectures—are as follows: (a) Temporal Convolutional Network captures temporal dynamics of EEG signals using time-series analysis; (b) The Tiny Transformer processes EEG spectrograms through a low-complexity Transformer structure, offering a compact yet effective representation; (c) The Hierarchical Temporal Tiny Transformer hierarchically learns multi-scale temporal dependencies in EEG data using stacked temporal convolution and Transformer modules; and (d) The Parallel Temporal Tiny ViT Transformer processes EEG signals in two parallel branches—spectral and temporal—using convolutional and Transformer-based paths, which are later fused via a dedicated fusion mechanism. The hierarchical architecture processes temporal features in sequential modules: the TCN captures short-term dynamics, GRU structures the sequential data, temporal attention highlights informative time steps, and Tiny Transformer captures long-range dependencies through self-attention. In contrast, the parallel model processes raw EEG and spectrogram representations simultaneously using TCN and Vision Transformer (ViT) branches, respectively, and fuses complementary temporal and spectral features using a cross-attention-based strategy. While all proposed models demonstrated strong performance in experimental evaluations, the HiTTFormer architecture outperformed the others, achieving 93,32% sensitivity, 94,29 % precision, 96,19 % accuracy, and an AUC of 0.99. These results indicate that integrating different representations of EEG signals is a powerful strategy for seizure prediction. Moreover, the architectural innovations proposed in this study are expected to contribute uniquely to the existing literature. Overall, the findings confirm that the proposed approaches are effective in predicting epileptic seizures earlier and more accurately, offering valuable insights for the development of next-generation predictive systems.

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

    458055

    Epilepsy seizure detection in eeg signals using wavelet transforms and support vector machines

    Dalgacık dönüşümü ve destek vektör makineleri kullanarak epilepsi nöbeti tanıma

    AWIN MAHMOOD SALEEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET ÇINAR

  3. Tez No

    570066

    EEG sinyallerinin epilepsinin nöbet öncesi tespitine yönelik analizi ve modellenmesi

    Analysis and modeling of EEG signals for pre-seizure detection of epilepsy

    TUĞBA ŞENTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATMA LATİFOĞLU

  4. Tez No

    605714

    Prediction of epileptic seizures with the use of biomedical sensors and internet of things

    Biyolojik ve internet sensorlarının kullanımı ile epilepsi nöbetlerinin/ krizlerinin tahmin edilmesi

    ALLA FIKRAT MAJEED AL WINDAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    İletişim BilimleriAltınbaş Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. OSMAN NURİ UÇAN

    PROF. DR. AMEER H. MORAD

  5. Tez No

    796906

    Makine öğrenmesi yöntemleri kullanılarak EEG sinyalinden epileptik nöbetlerin tespiti

    Detection of epileptic seizures from EEG signal using machine learning methods

    ESMIRA ABDULLAYEVA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK

Geri Dön