Yazar "Bayram, Muhittin" seçeneğine göre listele
Listeleniyor 1 - 8 / 8
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Analysis of epileptic iEEG data by applying convolutional neural networks to low-frequency scalograms(IEEE-Institute of Electrical Electronics Engineers INC., 2021) Bayram, Muhittin; Arserim, Muhammet AliIn this paper, Convolutional Neural Networks (CNN) method was applied to low frequency scalograms in order to contribute to the development of diagnostic and early diagnosis systems of epileptic intracranial EEG (iEEG) signals of brain dynamics at preictal, ictal, and postictal states, and to achieve results that will be the basis for determining the pathological conditions of iEEG signals. As part of this study, iEEG data obtained from epileptic subjects were first decomposed into their subbands by discrete wavelet transformation, and then Shannon entropy was applied to these five subbands (delta, theta, alpha, beta, and gamma). The results obtained made us observe that the delta subband entropy value is lower than other subband entropy values. A low entropy value means that the data is less chaotic. A low degree of chaos means better predictability. Within this context, scalogram images of low-frequency delta subband were obtained at preictal, ictal, and postictal stages and treated with the CNN method, and consequently, a 93.33% accuracy rate was obtained.Öğe The ANN-based computing of drowsy level(Pergamon-Elsevier Science Ltd, 2009) Kurt, Muhammed B.; Sezgin, Necmettin; Akin, Mehmet; Kirbas, Gokhan; Bayram, MuhittinWe have developed a new method for automatic estimation of vigilance level by using electroencephalogram (EEG), electromyogram (EMG) and eye movement (EOG) signals recorded during transition from wakefulness to sleep. In the previous studies, EEG signals and EEG signals with EMG signals were used for estimating vigilance levels. In the present study, it was aimed to estimate vigilance levels by using EEG, EMG and EOG signals. The changes in EEG, EMG and EOG were diagnosed while transiting from wakefulness to sleep by using wavelet transform and developed artificial neural network (ANN). EEG signals were separated to its subbands using wavelet transform, LEOG (Left EOG), REOG (Right EOG) and chin EMG was used in ANN process for increasing the accuracy of the estimation rate by evaluating their tonic levels and also used in data preparation stage to verify and eliminate the movement artifacts. Then, training and testing data sets consist of the EEG subbands (delta, theta, alpha and beta); LEOG, REOG and EMG signals were applied to the ANN for training and testing the system which gives three Situations for the vigilance level of the subject: Awake, drowsy, and sleep. The accuracy of estimation is about 97-98% while the accuracy of the previous study which used only EEG was 95-96% and the study which used EEG with EMG was 98-99%. The reason of decreasing the percentage of present study according to the last study is because of the increase of the input data. (C) 2008 Elsevier Ltd. All rights reserved.Öğe Çok kanallı iEEG sinyallerinin evrişimsel sinir ağlarıyla analizi(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2021) Bayram, Muhittin; Arserim, Muhammet AliEEG, beyin aktivitesi hakkında bilgi içerdiğinden ve beyin aynı zamanda kişinin merkezi karar organı olduğundan, analizi özellikle önemlidir. Nöral aktivitenin çoğu beyinde gerçekleşir. Beyindeki faaliyetleri ne kadar anlarsak bilinç, hafıza, zekâ gibi kavramlar da o kadar iyi anlaşılır ve yorumlanır. Bu bağlamda beynin önemi her geçen gün artmaktadır. Elektroansefalogram (EEG), beyindeki nöronların aktivasyonu sonucu oluşan kafatasından gelen sinyallerin ölçülmesini ifade eder. iEEG bir tür EEG'dir, ancak iEEG doğrudan beynin yüzeyinden yapılan ölçümü ifade eder. Bu çok kanallı bir ölçüm olduğundan, beynin yüzeyine ulaşan bilgilerin daha da kesin algılanmasına yol açar. Ancak, bu durumda daha fazla parametre üretildiğinden veri kalabalığı anlamına gelir. Bu çalışmada, epileptik intrakraniyal EEG (iEEG) sinyallerinin nöbet öncesi (preiktal), nöbet anı (iktal) ve nöbet sonrası (postiktal), beyin dinamiklerinin teşhis ve erken tanı sistemlerinin gelişimine katkıda bulunabilmek ve iEEG sinyallerinin patolojik durumlarının tespitine dayanak oluşturacak sonuçlara ulaşmak amacıyla, düşük frekanslı skalogramlara, Evrişimsel Sinir Ağları (ESA) metodu uygulanmıştır. Bu çalışma kapsamında epileptik deneklerden elde edilen iEEG verisi öncelikle dalgacık dönüşümüyle altbantlarına ayrıştırılmış daha sonra bu beş altbanda (delta, teta, alfa, beta ve gama) Shannon entropi uygulanmıştır. Elde edilen sonuçlardan delta altbant entropi değerlerinin diğer altbant entropi değerlerinden daha düşük olduğu görülmüştür. Entropi değerinin düşük olması verinin daha az düzensiz ve kaotik olduğu anlamına gelir. Verinin daha az düzensiz ve kaotik olması, daha iyi öngörülebilirlik anlamını taşır. Bu bağlamda, düşük frekanslı delta altbandının nöbet öncesi, nöbet anı ve nöbet sonrasının skalogram görüntüleri elde edilmiş ve ESA yöntemiyle eğitilmiş ve yapılan testte % 93,33 doğruluk oranı elde edilmiştir.Öğe EEG sinyalleriyle uyuklama seviyesinin modern yöntemlerle kestirimi(2016) Bayram, Muhittin; Akın, MehmetBeyinin işlevi esnasında biyosinyaller üretilir. Bu sinyaller dönüştürücü elektrotlar tarafından algılanarak, bir düzenek yardımıyla elektriksel işaretlere dönüştürülür. İşte bu işaretlere Elektroansefalogram ( EEG ), düzeneğe ise Elektroansefalografi denir. EEG, özellikle beyinin fonksiyonel ve mental aktivitesi incelenirken faydalı olmaktadır. EEG işaretleri, beyinin fiziksel ve zihinsel etkinliğine göre dört ana frekans bandına sahip spektral bileşenler ( 8, 0, a ve P ) içermektedir. Bu bileşenlere bakılarak beyin ve dolayısıyla vücut hakkında bazı yorumlar yapılabilmektedir. Bu çalışmada, beyin ( EEG ) işaretleri önce dört alt frekans bandına ( 5, 6, a ve (5 ) ayrıştırılmıştır. Bu ayrıştırma işleminde, Dalgacık Dönüşümü kullanılmıştır. Dalgacık Dönüşümü, işaretlerin alt bantlarının zaman boyutunda görüntülenebilmesine imkan sağlar. İşaretler alt bantlara ayrıştırıldıktan sonra Yapay Sinir Ağları yöntemi kullanılarak, Uyanıklık, Uyuklama ve Uyku bölütlerine, gruplar halinde eğitim yaptırılmıştır. Yapay sinir ağının en önemli özelliği, öğrendikten sonra karar verebilmesidir. Bu özelliğinden faydalanılarak yüzlerce bölüt test edilmiş ve büyük bir oranda basan sağlanmıştır. Sonuç olarak, doktorların gözle teşhis ettiği işaretler bu yöntemle daha kolay yorumlanacak hale getirilmiştir. Bu yolla, hataları minimuma indirgeme olanağı sağlanmıştır.Öğe EEG sınıflandırma amaçlı bir kompozit sistem(Dicle Üniversitesi Mühendislik Fakültesi, 2013) Bayram, Muhittin; Acar, HüseyinBu çalışmada, sağlıklı ve nöbet esnasındaki EEG sinyallerini ayrıştıran bir sistem tasarımı amaçlanmıştır. Bunun için İlinti Boyutu, Dalgacık-entropisi ve Destek Vektör Makinesi(DVM) içeren kompozit bir sistem önerilmiştir. Çalışmada kullanılan EEG verileri, Bonn Üniversitesi Epileptoloji bölümü veritabanından alınmıştır. Bu veritabanından 50 adet sağlıklı ve 50 adet epileptik olmak üzere toplam 100 adet EEG bölütü kullanılmıştır. Bu bölütlere kaotik yöntemlerin uygulanabilmesi için öncelikle faz uzayları luşturulmuştur. Faz uzayları üzerinden İlinti Boyutu değerleri hesaplanmıştır. Dalgacık analizi ile EEG bölütleri, literatürde standart olarak belirlenen alt-bantlara; delta=(0.5-4Hz), teta=(4-8Hz), alfa=(8-12Hz) ve beta=(12-32Hz) ayrıştırılmıştır. Bu bantlarda elde edilen EEG spektral bileşenlerin normalize enerjileri alınıp Shannon entropi’leri hesaplanmıştır. Sağlıklı ve epileptik EEG sinyallerinden özellik çıkarmak için ilinti boyutu analizinden elde edilen özgün veri ve dalgacık-entropi analizinden elde edilen özgün veriler (4 adet alt bant entropi’leri) DVM’nin girişine verilmek üzere her bir EEG bölütü için 5’li bir öznitelik vektörü oluşturulmuştur. Elde edilen tüm öznitelik vektörlerinin sınıflandırılması için DVM kullanılmıştır. DVM sağlıklı ve epileptik olmak üzere toplam 50 EEG bölütü ile eğitilmiş ve geriye kalan 50 bölütle de test yapılmıştır. Sağlıklı ve epileptik EEG bölütlerinin hesaplanan ilinti boyutları ve dalgacık entropilerinin sınıflandırmada ayırt edici olduğu görülmüştür. Başarım değerlendirme ölçütleri kullanılarak önerilen kompozit sistemin %98 gibi bir başarı ile sınıflandırma yapabildiği tespit edilmiştir.Öğe Estimating vigilance level by using EEG and EMG signals(Springer London Ltd, 2008) Akin, Mehmet; Kurt, Muhammed B.; Sezgin, Necmettin; Bayram, MuhittinWe developed a new method for estimation of vigilance level by using both EEG and EMG signals recorded during transition from wakefulness to sleep. Previous studies used only EEG signals for estimating the vigilance levels. In this study, it was aimed to estimate vigilance level by using both EEG and EMG signals for increasing the accuracy of the estimation rate. In our work, EEG and EMG signals were obtained from 30 subjects. In data preparation stage, EEG signals were separated to its subbands using wavelet transform for efficient discrimination, and chin EMG was used to verify and eliminate the movement artifacts. The changes in EEG and EMG were diagnosed while transition from wakefulness to sleep by using developed artificial neural network (ANN). Training and testing data sets consist of the subbanded components of EEG and power density of EMG signals were applied to the ANN for training and testing the system which gives three situations for the vigilance level of the subject: awake, drowsy, and sleep. The accuracy of estimation was about 98-99% while the accuracy of the previous study, which uses only EEG, was 95-96%.Öğe Estimation of epileptic seizure by using Lyapunov exponent, wavelet entropy and artificial neural networks(2012) Acar, Hüseyin; Bayram, MuhittinBrain signals are widely used for diagnosing epilepsy disease. The objective of this study is to design an automated system for differentiating epileptic EEG signals from non epileptic ones. The EEG signals used in the study comprise both healthy and epileptic signals which have been taken from patients during seizure. The signals were analyzed in phase space by means of Lyapunov exponent and wavelet entropy. Some features were identified from this phase space data and automatically classified by an adapted.Öğe Is There a Relationship between Consciousness and Epilepsy?(Edusoft Publishing, 2016) Bayram, Muhittin; Arslan, DemetThe aim of this article is to describe the relationship between consciousness and epilepsy. Epilepsy is a neurological disorder which can be seen all over the world. It can be diagnosed by the brain's electrical activity (EEG). The determination of epileptic attacks by EEG signals is quite common in both clinical and research fields. During epileptic seizures, the brain dynamics that make up the graph consist of abnormalities in EEG signals. In this study, the relation between epilepsy and consciousness will be investigated by using wavelet entropy and artificial neural networks.