Epileptik EG İşaretlerin Aşırı Öğrenme Makineleri ile Sınıflandırılması

Necmettin SEZGİN

Makale detayları

Epileptik EG İşaretlerin Aşırı Öğrenme Makineleri ile Sınıflandırılması

Yazarlar:

Necmettin SEZGİN

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 3, pp.481-490

Belge Tipi:

Makale

Yayın Tarihi:

11/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950740

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 

In this study, the EEG signals obtained from patients
 that diagnosed with epilepsy seizure, were classified
 as before, during and after seizures. EEG signals
 are the non-linear and non-stationary signals that
 indicate the electrical activity of the brain. Different
 from normal situation of the brain, in the abnormal
 neurological, changes are significantly different in
 the sub-band of EEG signals, and these changes are
 signs of neurological disease. Since epilepsy starts
 the dynamic in the brain changes while the
 nonlinearity and non-Gaussanity increases in the
 EEG signal. So, the phase synchronization arises
 during seizure. During this phase match the features
 of the EEG signals can be obtained by using
 bispectrum analysis which is one of the higher order
 spectral analysis techniques. Bicoherence, as the
 normalized version of the bispectrum, of EEG
 signals obtained from eight patients were
 determined, and quadratic phase coupling (QPC)
 identified. These features, which is obtained by
 epileptic EEG signals were fed to the input of the
 classifier. In terms of providing fast and high
 accuracy for classification of the EEG signal, the
 extreme learning machine (ELM) was used. The
 ELM is a single hidden layer feed-forward neural
 network. For comparison the artificial neural
 network (ANN) and support vector machine (SVM)
 classifiers were also used.
 In the study, it was shown that the QPCs in the EEG
 signal increased during epilepsy compared with
 before epilepsy. This result shows that the
 complexity and non-Gaussianity increase during
 epilepsy seizure. By considering the sub-bands of
 EEG separately, during epilepsy, the ratio of QPC
 has increased in the low frequency compared to high
 frequency. In the study it was also shown that the
 QPC after epilepsy is higher than before epilepsy,
 however, the QPC after epilepsy is lower than
 during epilepsy. This suggests that the brain
 dynamic after epilepsy seizure is more synchronous
 than before epilepsy seizure. This situation is going
 on until brain activities became normal.
 In the study 8 patient’s EEG that were diagnosed
 with seizure were used. 400 episodes of each pre
 epilepsy, during epilepsy and after epilepsy were
 obtained from whole data. A train/test data rate of
 50%-50% was used in the classifiers. The test results
 show that the ELM has higher accuracy than ANN
 and SVM as shown in the Table 2. By using ELM a
 high classification accuracy of 98.60% was
 obtained. For ANN and SVM the test results of
 %95.33 and %91.25 obtained respectively.
 Furthermore, it was also shown that the ELM is
 much faster than ANN and SVM classifiers. This
 study is thought to help neurologists in the diagnosis
 of epilepsy.

 

Bu çalışmada Epilepsi tanısı konulmuş hastalardan alınan EEG işaretleri, nöbet öncesi, nöbet anı ve nöbet
 sonrası olarak sınıflandırılmıştır. EEG işaretleri lineer ve durağan olmayan işaretler olup beynin elektriksel
 aktivitelerini gösterirler. Nörolojik anormallerde EEG işaretlerin alt bantlarında normal durumdan farklı
 olarak belirgin değişimler gözlemlenmekte ve bu değişimler nörolojik hastalıkların belirtisi olmaktadır.
 Epilepsi gibi nörolojik hastalıklarda EEG işaretleri içerisindeki bantlarda normal durumdan farklı olarak
 bir faz senkronizasyonu ortaya çıkmaktadır. Bu faz eşleşmelerini yüksek dereceden spektral analizi
 tekniklerinden olan ikiz spektrum analizi ile ortaya çıkararak EEG işareti içerisinden özelikler elde
 edilebilmektedir. Elde edilen bu özelliklerin bir sınıflandırıcının girişine verilmesi ile epileptik EEG
 işaretleri sınıflandırılmaktadır. Çalışmada hızlı ve yüksek doğruluk sağlaması açısından sınıflandırıcı olarak
 aşırı öğrenme makineleri kullanılmıştır. Kullanılan bu yöntem ile %98,60 gibi yüksek bir doğrulukla
 sınıflandırma gerçekleştirilmiştir. Bu çalışmanın nörologlara epilepsi tanısında yardımcı olacağı
 düşünülmektedir.

Makale detayları

Epileptik EG İşaretlerin Aşırı Öğrenme Makineleri ile Sınıflandırılması

Yazarlar:

Necmettin SEZGİN

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 3, pp.481-490

Belge Tipi:

Makale

Yayın Tarihi:

11/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950740

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

EEG

ikiz spektrum analizi

ikiz uyumluluk

aşırı öğrenme makinesi

epilepsi

Sayı

Makale detayları

Epileptik EG İşaretlerin Aşırı Öğrenme Makineleri ile Sınıflandırılması

Yazarlar: Necmettin SEZGİN

Yayıncı: Dicle University

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 3, pp.481-490

Belge Tipi: Makale

Yayın Tarihi: 11/2016

Belge Dili: Türkçe

Document ID (Org No.): 2000950740

Sıklık: Üç Aylık

eISSN: 2146-4391

pISSN: 1309-8640

EEG

ikiz spektrum analizi

ikiz uyumluluk

aşırı öğrenme makinesi

epilepsi

Sayı

Yazarlar:

Necmettin SEZGİN

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 3, pp.481-490

Belge Tipi:

Makale

Yayın Tarihi:

11/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950740

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640