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
- Tez No: 994665
- Danışmanlar: DOÇ. DR. MESUT TOĞAÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Epilepsi, İnsan-yapay zeka etkileşimi, Epilepsy, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Teknoloji ve Bilgi Yönetimi Ana Bilim Dalı
- Bilim Dalı: Teknoloji ve Bilgi Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Epilepsi, dünya genelinde geniş bir popülasyonu etkileyen ve tekrarlayıcı nöbetlerle seyreden kronik bir nörolojik hastalıktır. Epileptik nöbetlerin doğru ve zamanında tespit edilememesi, hastalığın etkin biçimde yönetilmesini zorlaştırmakta ve bireylerin yaşam kalitesini olumsuz yönde etkilemektedir. Epilepsi tanı ve izlem süreçlerinde yaygın olarak kullanılan elektroensefalografi (EEG), beyin kaynaklı elektriksel aktivitelerin değerlendirilmesini mümkün kılmakla birlikte, EEG sinyallerinin doğrusal olmayan, durağan olmayan ve yüksek boyutlu yapısı manuel analiz süreçlerini hem zaman açısından maliyetli hem de yoruma açık hâle getirmektedir. Bu durum, epileptik nöbetlerin otomatik, nesnel ve güvenilir biçimde tespit edilmesine yönelik gelişmiş hesaplamalı yöntemlere olan ihtiyacı artırmaktadır. Bu tez çalışmasında, epileptik nöbetlerin otomatik olarak tespit edilmesi amacıyla EEG sinyallerinin zaman–frekans alanındaki temsillerine dayanan hibrit bir derin öğrenme yaklaşımı önerilmiştir. Bu kapsamda EEG sinyalleri, Karmaşık Morlet Dalgacık Dönüşümü (CMT), Sürekli Dalgacık Dönüşümü (CWT) ve Hızlı Sürekli Dalgacık Dönüşümü (FCWT) yöntemleri kullanılarak iki boyutlu zaman–frekans görüntülerine dönüştürülmüştür. Elde edilen bu görsel temsiller, evrişimsel sinir ağlarına dayalı ResNet-18 ve dikkat mekanizması temelli Vision Transformer (ViT-B/8) mimarileri ile ayrı ayrı analiz edilmiş ve her bir modelden ayırt edici öznitelikler çıkarılmıştır. Farklı dönüşüm yöntemleri ve derin öğrenme mimarilerinden elde edilen bu öznitelikler, özellik füzyonu yaklaşımıyla birleştirilerek daha zengin ve kapsayıcı bir temsil uzayı oluşturulmuştur. Deneysel sonuçlar, önerilen hibrit yaklaşımın epileptik EEG sinyallerinin sınıflandırılmasında yüksek doğruluk ve kararlılık sunduğunu göstermektedir. Özellikle ResNet-18 ve ViT-B/8 modellerinden elde edilen özniteliklerin birlikte kullanıldığı yapı, tekil modellere kıyasla daha üstün performans sergilemiş ve sistem %90,65 genel doğruluk oranına ulaşmıştır. Bu bulgular, zaman–frekans dönüşümleri ile derin öğrenme tabanlı öznitelik füzyonunun epileptik nöbetlerin otomatik tespitinde etkili, güvenilir ve klinik karar destek sistemlerine entegre edilebilir bir çözüm sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Epilepsy is a chronic neurological disorder affecting a large population worldwide and is characterized by recurrent seizures. Failure to detect epileptic seizures accurately and in a timely manner complicates effective disease management and negatively impacts patients' quality of life. Electroencephalography (EEG) is one of the most widely used tools in the diagnosis and monitoring of epilepsy; however, the nonlinear, nonstationary, and high-dimensional nature of EEG signals makes manual analysis time-consuming and prone to subjective interpretation. Consequently, there is an increasing demand for automated, objective, and reliable computational methods for epileptic seizure detection. In this thesis, a hybrid deep learning approach based on time–frequency representations of EEG signals is proposed for the automatic detection of epileptic seizures. EEG signals are first transformed into two-dimensional time–frequency images using the Complex Morlet Wavelet Transform (CMT), Continuous Wavelet Transform (CWT), and Fast Continuous Wavelet Transform (FCWT). These representations are then analyzed using two complementary deep learning architectures: the convolutional neural network–based ResNet-18 and the attention-based Vision Transformer (ViT-B/8). Discriminative features extracted from each model are subsequently combined through a feature fusion strategy to construct a more comprehensive and informative feature space. Experimental results demonstrate that the proposed hybrid framework achieves high classification performance in epileptic EEG signal analysis. In particular, the joint use of features extracted from ResNet-18 and ViT-B/8 yields superior results compared to individual models, achieving an overall classification accuracy of 90.65%. These findings indicate that integrating time–frequency analysis with deep learning–based feature fusion provides an effective, robust, and clinically applicable solution for automatic epileptic seizure detection and holds significant potential for integration into clinical decision support systems.
Benzer Tezler
- Epileptic seizure detection with power spectral density method
Güç spektral yoğunluğu yöntemi ile epileptik nöbet tespiti
RABİA TUTUK
Yüksek Lisans
İngilizce
2022
Nörolojiİnönü ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ REYHAN ZENGİN
- Video-EEG monitoring aracılığı ile NON-epileptik psikojen nöbet tanısı alan hastaların takibi
Follow-up of non-epileptic psychogenic seizure patients diagnosed VİA video-EEG monitoring
BURAK CEYLAN
Tıpta Uzmanlık
Türkçe
2021
NörolojiSüleyman Demirel ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. SÜLEYMAN KUTLUHAN
- Çocuk acil polikliniğine febril konvülziyon tanısı ile başvuran hastalarda COVID-19 pandemisinin febril konvülziyon tipleri üzerine etkisi ve etyolojide COVID-19 sıklığının değerlendirilmesi
The effect of the COVID-19 pandemic on the types of febrile convulsions in patients admitted to the paediatric emergency outpatient clinic with the diagnosis of febrile convulsions and evaluation of the frequency of COVID-19 in etiolog
SERCAN KARAKUZU
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEVGİ AKOVA
- Çocuk ve ergen temporal lob epilepsi ve jüvenil myoklonik epilepsi hastalarında ve kardeşlerinde depresyon ve davranış problemleri
Başlık çevirisi yok
AYTEN ERDOĞAN
Tıpta Uzmanlık
Türkçe
2004
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ.DR. LEVENT KAYAALP
- Farelerde deneysel epileptik modelde propolisin beyinde asetilkolinesteraz ve oksidatif stres üzerine etkisinin araştırılması
The investigation of the effect of propolis on the acetylcholinesterase and oxidative stress in the brain of mouse model of experimental epilepsy
BEŞİR KARAYEL
Yüksek Lisans
Türkçe
2019
BiyokimyaVan Yüzüncü Yıl ÜniversitesiTemel Eczacılık Ana Bilim Dalı
DOÇ. DR. TAHİR KAHRAMAN
DR. ÖĞR. ÜYESİ ORUC ALLAHVERDIYEV