Hilbert dönüşümü kullanılarak EEG işaretlerinden kanal bazlı şizofren hastalığının tespiti

Yükleniyor...
Küçük Resim

Tarih

2020

Dergi Başlığı

Dergi ISSN

Cilt Başlığı

Yayıncı

Türkiye Bilişim Vakfı

Erişim Hakkı

info:eu-repo/semantics/openAccess

Özet

Elektroensefalografi (EEG) nörolojik hastalıkların tespitinde sahip olduğu çok kanallı ve yüksek zaman çözünürlüklü yapısı ile çalışmalarda etkili bir görüntüleme aracı olarak popülerliğini korumaktadır. Bu çalışmada, Hilbert Dönüşümü (HD) kullanılarak EEG kayıtlarından kanal bazlı şizofreni hastalığının tespiti amaçlanmıştır. İşarete ait sanal bileşenler bu dönüşümle analiz edilip hasta/kontrol gruptan oluşan öznitelik vektörleri Destek Vektör Makinası (DVM) ile sınıflandırılmıştır. Kullanılan EEG veri seti, yaşları 10-14 arasında değişen 39 şizofreni ve yaşları 11-13 arasında farklılık gösteren 39 sağlıklı katılımcıdan elde edilmiştir. Mevcut kayıtlar katılımcının gözleri kapalı konumda iken 10-20 sistemine göre düzenlenmiş 16 elektrot aracılığı ile 1 dakika süresince alınmıştır. Çalışmada kullanılan kanallar frontal, parietal, temporal, central ve oksipital lob’un ilgili bölgelerinden seçilmiştir. Yapılan sınıflandırma işleminde k=10 çapraz doğrulama kullanılarak eğitim ve test kümeleri oluşturulmuştur. Çalışmada sınıflandırma başarımın yanında Tutturma (Precision), Bulma (Recall), F1-Score değerleri de hesaplanmıştır. Çalışmada en iyi sınıflandırma başarımı %95,19 ile frontal lob ’dan oluşan özniteliklerden elde edilmiştir. En düşük sınıflandırma performansının ise temporal lob bölgesinden alınan kanal öznitelikleri olduğu görülmüştür. Sağlıklı ve hasta grupların başarılı şekilde ayrıştırılması, izlenilen metodun klinik tedavilerde uygulanabileceğini, klinisyenlere tedavi edilecek kişinin durumu konusunda fikir verebileceğini göstermektedir. Önerilen çalışma mevcut hali ile şizofreni hastalığı tespitinde literatüre katkı sunacak pratik bir uygulama olarak umut vadetmektedir.
Electroencephalography (EEG) maintains its popularity as an effective neuroimaging tool in studies with its multi-channel and high time resolution features for detection of neurological diseases. In this study, it was aimed to detect channel-based schizophrenia disease from EEG recordings using Hilbert Transform (HT). The imagenery components of the markers were analyzed with this transform, and the feature vectors consisting of patient / control groups were classified with the Support Vector Machine (SVM). The EEG data set used was obtained from 39 schizophrenia aged 10-14 and 39 healthy participants aged 11-13. The current recordings were taken during participant's eyes closed for 1 minute through 16 electrodes arranged according to the 10-20 system. The channels used in the study were selected from the relevant regions of the frontal, parietal, temporal, central and occipital lobes. In the classification process, training and test sets were divided with using k = 10 fold cross validation. In addition to the classification accuracy, Precision, Recall, F1-Score values were also calculated in the study. The best classification performance was obtained from the features from frontal lobe with 95,19% rate. The lowest classification performance was found to be the features taken from the temporal lobe region. Discrimination rate of healthy and patient groups shows that the proposed method can be applied in clinical treatments and can give an idea to the clinicians about the status of the patinets to be treated. In its current form, the proposed study serves promising results as a practical application that will contribute to the literature in the detection of schizophrenia.

Açıklama

Anahtar Kelimeler

EEG, Şizofreni, Hilbert dönüşümü, Destek vektör makinası, Sınıflandırma, Schizophrenia, Hilbert transform, Support vector machine, Classification

Kaynak

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi

WoS Q Değeri

Scopus Q Değeri

Cilt

13

Sayı

2

Künye

Türk, Ö., Şeker, M. ve Özerdem, M. S. (2020). Hilbert dönüşümü kullanılarak EEG işaretlerinden kanal bazlı şizofren hastalığının tespiti. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 13(2), 78-86.