Akıllı EEG tasarımı

Abstract

EEG sinyalleri günümüzde epilepsi, Ģizofreni gibi hastalıkların tespitinde olduğu gibi birçok alanda yaygın bir Ģekilde kullanılmaktadır. Bu çalıĢmada da EEG sinyalleri kullanılarak epilepsi, Ģizofreni hastalığı, uyku halinin tespiti ve düĢünce ile sağ – sol imleç hareketinin tespiti taĢınabilir bir Dijital Sinyal ĠĢleme (DSP) kartıyla tespit edilmeye çalıĢılmıĢtır. Uyku tespiti yapılırken Ankara Gülhane Askeri Tıp Akademisi Ruh Sağlığı ve Hastalıkları Anabilim Dalı Uyku laboratuvarında kaydedilmiĢ olan EEG sinyalleri kullanılmıĢtır. Bu sinyaller 10 saniyelik bölütler halinde gruplandırılmıĢ ve bu bölütlerin güç yoğunluk spektrumları elde edilmiĢtir. Elde edilen bu güç spektrum yoğunluklarının; çarpıklık(skewness), medyan, entropi, basıklık (kurtosis), standart sapma ve ortalama özellikleri alınıp Destek Vektör Makinaları (DVM) ve K En Yakın KomĢu (KNN) sınıflandırıcılarıyla sınıflandırılmıĢtır. DVM ile %97 baĢarı elde edilmiĢtir ve DVM modeli Matlab Simulink ortamında oluĢturulmuĢtur. Epilepsi hastalığı tespiti yapılmaya çalıĢırken Bonn Üniversitesi veri seti kullanılmıĢtır. Bu veri seti (A,B,C,D,E) olmak üzere 5 farklı sınıftan oluĢmaktadır. Bu sınıflardan A(sağlıklı) ve E(Epilepsi hastası) kullanılmıĢtır. Bu iki sınıfın çarpıklık (skewness), medyan, entropi, basıklık(kurtosis), standart sapma ve ortalama özellikleri elde edilip DVM ve KNN sınıflandırıcılarının giriĢine uygulanmıĢtır. DVM ile %100 baĢarı elde edilmiĢtir ve DVM modeli Matlab Simulink ortamında oluĢturulmuĢtur. ġizofreni hastalığı veri seti CEONREPOD veri paylaĢım kaynağından elde edilmiĢtir. Bu veri seti 8.derecden Butterworth IIR bant geçiren filtresinden geçirilip Gama(30 – 45 Hz) ve Beta(13 – 30 Hz) bantları elde edilmiĢtir. Bu bantların frekans domeni ve güç spektrum yoğunlukları elde edilerek çarpıklık(skewness), basıklık (kurtosis) ve ortalamaları alınmıĢ olup DVM ve KNN sınıflandırıcılarının giriĢine verilmiĢtir. DVM sınıflandırıcısı ile %96 baĢarı elde edildiğinden dolayı Matlab Simulink ortamında oluĢturulmuĢtur. Sağ – Sol imleç hareketi için ise Graz Üniversitesi tarafından yapılan yarıĢmada kullanılan veri setlerinden biri kullanılmıĢtır. Bu veri setinden sadece sağ el motor hayali ve sol el motor hayali kullanılmıĢtır. Sinyallerdeki gürültüleri gidermek için Recursive Least Square(RLS) adaptif filtre algoritması kullanılmıĢtır. Simulink ortamında oluĢturulan modeller bir model altında birleĢtirilip Matlab Grafik Arayüzü(GUI) ortamında bir kullanıcı arayüzü oluĢturularak sonuçlar burada gösterilmiştir.

EEG signals are widely used in many areas such as detection of diseases Epilepsy and Schizophrenia. In this study, using EEG signals, Epilepsy, Schizophrenia, Detection of sleep state and Thought and right - left cursor movement are tried to be detected with a portable Digital Signal Processing(DSP) card. EEG signals recorded at Ankara Gulhane Military Medical Academy Department of Mental Health and Diseases Sleep Laboratory were used for the determination of sleep. These signals are grouped into 10-second segments and power intensity spectra of these segments are obtained. The obtained power spectral densities; skewness, median, entropy, kurtosis, standard deviation and mean characteristics were taken and classified into Support Vector Machines (SVM) and K Nearest Neighbor (KNN) classifiers. 97% success was achieved with SVM model and was created in Matlab Simulink environment. University of Bonn data set was used to determine Epilepsy. This data set consists of 5 classes (A, B, C, D, E). A(healthy) and E(Epilepsy patient) were used in these classes. Skewness, median, entropy, kurtosis, standard deviation and mean properties of these two classes were obtained and applied to the entry of SVM and KNN classifiers. 100% success was achieved with SVM and SVM model was created in Matlab Simunlink environment. Schizophrenia disease data set was obtained from CEONREPOD data sharing source. This data set was passed through Butterworth IIR bandpass filter from 8th degree to obtain Gamma(30 - 45 Hz) and Beta(13 - 30 Hz) bands. The frequency domain and power spectrum densities of these bands were obtained and skewness, kurtosis and averages were taken and given to the input of SVM and KNN classifiers. It was created in Matlab Simulink environment with 96% success with SVM classifier. One of the data sets used in the competition held by the University of Graz was used for the right - left cursor movement. From this data set, only the right hand and the left hand engine imagination were used. Recursive Least Square(RLS) adaptive filter algorithm is used to purify the noise in the signal. The models created in Simulink environment are combined under a model and a user interface is created in Matlab Graphical Interface (GUI) environment and the results are shown here.