Farklı zaman ölçekli EEG işaretlerinden epilepsinin tespiti
Citation
Yıldırım, M. (2018). Farklı zaman ölçekli EEG işaretlerinden epilepsinin tespiti. Yüksek lisans tezi, Dicle Üniversitesi, Diyarbakır.Abstract
Epilepsi dünya nüfusunun yaklaşık olarak %1'inde görülen, insanın yaşam kalitesini olumsuz etkiyen ve kendini sürekli nöbetler ile tekrarlayan yaygın bir hastalıktır. Bu hastalık insan beyninin bir bölümünde yahut tamamında meydana gelen ani, beklenmedik ve düzensiz elektriksel boşalma sunucu ortaya çıkan ciddi bir durumdur. Epilepsinin tespit ve tanısında kullanılan araçlardan biri olan Elektroensefalografi (EEG), epilepsi hakkında bilgi edinmek için önemli bir kaynaktır. Hızı, maliyeti, erişilebilirliği ve kullanım kolaylığından dolayı EEG oldukça yaygın olarak kullanılmaktadır. Bu özelliklerinden dolayı EEG birçok araştırmacının ilgilendiği bir araştırma konusu haline gelmiştir. EEG işaretleri ile epilepsinin otomatik tespiti için birçok örüntü tanıma sistemi geliştirilmiştir. Burada yapılan çalışmada Bonn Üniversitesi veri tabanından alınan sağlıklı ve epilepsi nöbeti geçiren deneklerden alınan A ve E işaret kümeleri kullanılarak gerçekleştirilen bir otomatik örüntü tanıma sistemi sunulmuştur. Çalışmada sunulan sistem ön işlem, özellik çıkarım ve sınıflandırma olmak üzere üç aşamadan meydana gelmiştir. Çalışmanın amacı farklı zaman ölçekli EEG işaretlerinden epilepsinin tespitini gerçekleştirmektir. Bu amaç doğrultusunda birinci aşamada, farklı zaman ölçekli EEG işaretleri elde etmek amacı ile 4096 örnek ve 23,6 saniyelik A ve E işaret kümleri, 128, 256, 512, 1024, 2048, 4096 örnek ve bunlara karşılık gelen 0.7375, 1.475, 2.95, 5.9, 11.8, 23.6 saniyelik bölütlere ayrılmıştır. Bu bölütleme işlemi ile farklı sayılarda, sürelerde ve uzunluklarda A(128), A(256), A(512), A(1024), A(2048), A(4096), E(128), E(256), E(512), E(1024), E(2048) ve E(4096) işaret kümleri elde edilmiştir. İkinci aşamada Peridogram ve Welch Güç Spektral Yoğunluk (Power Spectral Density (GSY)) kestirim yöntemleri kullanılarak EEG işaretlerinin spektral bilgisine ulaşılmıştır. Çalışmada farklı iki GSY kestirim yönteminin kullanılması ile EEG işaret bölütlerinin farklı spektral yöntemler ile davranış biçimleri incelenmeye çalışılmıştır. GSY kestiriminden sonra elde edilen işaretlerin özelliklerinin veri boyutunu azalmak için tüm EEG işaretlerine ortalama uygulanmış ve her bir bölüt 16 örnek uzunluğunda özellik vektörü ile temsil edilmiştir. Üçüncü aşamada her bir EEG bölütü için elde edilen ve 16 örnek uzunluğundaki özellik vektörleri 5-katlı çapraz doğrulama yöntemi kullanılarak K-En Yakın Komşu Algoritması (K-Nearest Neighbors Algorithm (K-NN)), Destek Vektör Makinesi (Support Vector Machine (SVM)) ve Aşırı Öğrenme Makinesi (Extreme Learning Machine (ELM)) ile sınıflandırılmıştır. Tüm sınıflandırıcılar için elde edilen başarım performansları literatürü destekler niteliktedir. Çalışmada birden fazla sınıflandırıcının kullanılması ile farklı EEG işaret bölütlerinin farklı GSY kestirimleri ile elde edilen özellik vektörlerinin farklı sınıflandırıcılardaki performansları incelenmeye çalışılmıştır. Çalışmanın sonunda sonuçlar irdelenmiş ve gelecekte yapılabilecek çalışmalara ışık tutması açısından önerilere yer verilmiştir. Epilepsy is a common disorder in approximately 1% of the world population, which adversely affects the quality of life of people and repeats itself with continuous bouts. This disorder is a serious condition that occurs in some or all of the human brain, sudden, unexpected and irregular electrical discharge server. Electroencephalography (EEG), one of the instruments used in the detection and diagnosis of epilepsy, is an important source for information about epilepsy. EEG is widely used because of its speed, cost, accessibility and ease of use. Because of these features, EEG has become a research topic that many researchers are interested in. Many pattern recognition systems have been developed for automatic detection of epilepsy with EEG signs. In this study, an automated pattern recognition system is presented using A and E sign sets obtained from healthy and epileptic seizure subjects taken from Bonn University database. The pretreatment system presented in this study, has three stages, namely feature extraction and classification occurs. The aim of this study is to realize the different time-scale detection of EEG signals from epilepsy. For this purpose, in the first stage, 4096 samples and 23.6 seconds A and E sign sets, 128, 256, 512, 1024, 2048, 4096 samples and corresponding 0.7375, 1.475, 2.95, in order to obtain different time-scale EEG signals, 5.9 divided into 11.8, 23.6 second segments. A(128), A(256), A(512), A(1024), A(2048), A(4096), E(128), E(256), E(512), E(1024), E(2048) and E(4096) were obtained. In the second stage, spectral information of EEG signals have been reached by using Peridogram and Welch Power Spectral Density (PSD) estimation methods. In this study, different spectral methods and behavior patterns of EEG signaling segments were tried to be investigated. After the PSD estimation, the average of all the EEG signals was applied to reduce the data size of the marks obtained and each segment was represented by the feature vector at 16 sample lengths. The third step obtained for each EEG segments and K-using the feature vectors of 5-fold cross-validation method in 16 sample length Nearest Neighbor Algorithm (K-NN), Support Vector Machine (SVM) and Excessive Learning Machine (ELM) are classified. Performance achievements for all classifiers support the literature. Performance of different classifiers, the EEG signal segments of different feature vectors obtained by using a plurality of classifiers with different PSD estimates study were studied. Consequently, the results are examined and some suggestions in terms of work that can be done to shed light on the future.