EEG sınıflandırma amaçlı bir kompozit sistem

Muhittin BAYRAM; Hüseyin ACAR

Makale detayları

EEG sınıflandırma amaçlı bir kompozit sistem

Yazarlar:

Muhittin BAYRAM | Hüseyin ACAR

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2013 Vol.4 Issue 1, pp.5-12

Belge Tipi:

Makale

Yayın Tarihi:

5/2013

Belge Dili:

Türkçe

Document ID (Org No.):

2000950846

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 

Objective of this study was to design a system for
 classifying Epileptic and normal EEG signals. For
 this purpose, a system composed of correlation
 dimension, wavelet-entropy and Support Vector
 Machine was proposed.
 Epilepsy is a neurological disorder which can be
 seen all over the world. It can be diagnosed by
 brain’s electrical activity. The determination of
 epileptic attacks or seizures by
 Electroencephalogram (EEG) signals is quite
 common in both clinical and research fields.
 Because EEG signals are non-stationary signals,
 they must be examined with the nonlinear analysis
 methods.
 For the analysis of a chaotic signal or system, first
 of all, a trajectory of the attractor which represents
 the system, and depicts all states the systems acquire
 in the course of time must be created on the phase
 space. Provided that time series is the output of a
 chaotic system, the trajectory created on the phase
 space is anticipated to display a regular structure at
 times, and random at the other. It cannot be
 estimated in advance when and how long the
 trajectory is regular or random. However, some
 methods quantifying the degree of chaoticity of the
 system have been developed. With these methods,
 calculations are made using the trajectory created
 on the phase space by the system and the degree of
 chaoticity is quantitatively determined. Each method
 reflects chaoticity of the systems in different ways. In
 other words, each quantity obtained from the system
 defines a different feature vector. The excessive
 number of feature vectors means better recognition
 of the system. Since that means more parameters,
 the processing load also increases.
 In the Literature, the Lyapunov exponents, the
 correlation dimension and the entropy, are widely
 used for analysis of the chaotic time series or
 systems. In addition, time-frequency techniques
 can be used to analyze this kind of signals and
 systems.
 Support Vector Machines (SVM) is one of the
 methods commonly used in classification. SVM tries
 to find the most appropriate plane (hyperplane)
 separating the two classes.
 EEG data used in this study have been acquired
 from the database of University of Bonn,
 Department of Epileptology. From this database,
 100 EEG segments (50 healthy and 50 epileptic
 segments) have been used. To apply chaotic methods
 to these segments, phase spaces have primarily been
 created, and then the Correlation Dimension values
 have been measured.
 In this study, the normal and the epileptic EEG
 signals were examined. First of all, the correlation
 dimension of both the normal and the epileptic EEG
 signals were measured. All of the EEG signals have
 been separated into the standard subbands which
 are: delta=(0.5-4Hz), theta=(4-8Hz), alpha=8-12Hz
 and beta=(12-32Hz). Then, the Shannon entropies of
 the EEG subbands are calculated; and then the
 feature vectors are formed by combining the values
 obtained with both methods. Finally, all the feature
 vectors are classified with SVM.
 SVM was trained with 50 EEG segments in
 total, composed of 25 healthy and 25 epileptic
 EEG segments, and a test was conducted with
 the remaining 50 segments. The measured
 correlation dimensions and wavelet entropies of
 EEG segments were detected to be distinctive in
 classification. The composite system that was
 proposed using performance evaluation criteria
 showed a 98 % success rate in classification.

 

Bu 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 oluşturulmuştur.
 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.

Makale detayları

EEG sınıflandırma amaçlı bir kompozit sistem

Yazarlar:

Muhittin BAYRAM | Hüseyin ACAR

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2013 Vol.4 Issue 1, pp.5-12

Belge Tipi:

Makale

Yayın Tarihi:

5/2013

Belge Dili:

Türkçe

Document ID (Org No.):

2000950846

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

EEG

Epileptik ataklar

İlinti boyutu

Dalgacık entropisi

Destek Vektör Makinesi

Sınıflandırma.

Sayı

Makale detayları

EEG sınıflandırma amaçlı bir kompozit sistem

Yazarlar: Muhittin BAYRAM | Hüseyin ACAR

Yayıncı: Dicle University

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2013 Vol.4 Issue 1, pp.5-12

Belge Tipi: Makale

Yayın Tarihi: 5/2013

Belge Dili: Türkçe

Document ID (Org No.): 2000950846

Sıklık: Üç Aylık

eISSN: 2146-4391

pISSN: 1309-8640

EEG

Epileptik ataklar

İlinti boyutu

Dalgacık entropisi

Destek Vektör Makinesi

Sınıflandırma.

Sayı

Yazarlar:

Muhittin BAYRAM | Hüseyin ACAR

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2013 Vol.4 Issue 1, pp.5-12

Belge Tipi:

Makale

Yayın Tarihi:

5/2013

Belge Dili:

Türkçe

Document ID (Org No.):

2000950846

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640