Previous studies on classifying Electroencephalography (EEG) sleep data generally use the signal itself. Many of these studies need series of pre-processing operations, manual feature extraction, complex and hard application processes. There is no need for lots of pre-processing stages in Convolutional Neural Networks (CNN) and features can be learned automatically instead of using manually extracted features. Also CNNs have better performance over most of other methods in visual classification.The study presented in this thesis is based on applying transfer learning with CNNs via spectrogram images, that were obtained by using Short-Time Fourier Transform (STFT), on ISRUC-Sleep dataset (ISRUC) for classifying EEG signals. AlexNet trained with 100 patient subjects from ISRUC was used as pre-trained CNN. For classifying sleep stages, single-channel EEG data, that was taken from 10 healthy people, was used as target domain. To reduce overfitting, an image translation operation was employed and images were augmented horizontally. The main purpose of using transfer learning method in this study is achieving better training duration and accuracy. Applying transfer learning increased the accuracy of the classification by 3.11 percent, when compared to the result of using non-pretrained AlexNet, which was trained from scratch.When the source domain of transfer learning was ImageNet, the accuracy was decreased by 2.73 percent compared to the result of training from scratch. Results showed that transfer learning increases the accuracy when target and source domains are similar, but it may decrease the accuracy when used on different domains (i.e., ImageNet is an image dataset and ISRUC consists of signals). In addition to the study, scalogram images from Continuous Wavelet Transform (CWT) were also tested.

Elektroensefalografi (EEG) uyku verisini sınıflandırmayla ilgili önceki çalışmalar genellikle sinyalin kendisini kullanmaktadır. Bu çalışmalardan birçoğu bir dizi ön işleme operasyonlarına, manuel özellik çıkarımına, karmaşık ve zor uygulama süreçlerine ihtiyaç duymaktadır. Konvolüsyonel Sinir Ağlarında (CNN) çok sayıda ön işleme aşamasına ihtiyaç yoktur ve el ile ayıklanan özellikleri kullanmak yerine özellikler otomatik olarak öğrenilebilir. Ayrıca CNN'ler görsel sınıflandırmada çoğu diğer yönteme göre daha iyi performansa sahiptirler.Bu tezde sunulan çalışma, EEG sinyallerinin sınıflandırılması için ISRUC-Sleep veri kümesinde (ISRUC) Kısa-Zamanlı Fourier Dönüşümü (STFT) kullanılarak elde edilen spektrogram görüntüleri aracılığıyla CNN'ler ile transfer öğreniminin uygulanmasına dayanmaktadır. ISRUC'tan 100 hasta denek ile eğitilmiş AlexNet, ön eğitimli CNN olarak kullanılmıştır. Uyku evrelerini sınıflandırmak için, 10 sağlıklı kişiden alınmış tek kanallı EEG verileri, hedef veri alanı olarak kullanılmıştır. Aşırı uyumu azaltmak için bir görüntü kaydırma işlemi kullanılmış ve görüntüler yatayda çoğaltılmıştır. Bu çalışmada transfer öğrenimi yöntemini kullanmanın temel amacı, daha iyi eğitim süresi ve doğruluk elde etmektir. Transfer öğrenimini uygulamak, sıfırdan eğitilmiş olan ön eğitim yapılmamış AlexNet kullanarak elde edilen sonuçla karşılaştırıldığında, sınıflandırmanın doğruluğunu yüzde 3,11 oranında artırdığı görülmüştür.Transfer öğreniminin kaynak veri alanı ImageNet olduğunda, doğruluk, sıfırdan yapılan eğitimin sonucuna göre yüzde 2,73 oranında azalmıştır. Sonuçlar, transfer öğreniminin hedef ve kaynak veri alanları benzer olduğunda doğruluğu artırdığını, ancak farklı alanlarda kullanıldığında doğruluğu azaltabileceğini göstermiştir (Şöyle ki, ImageNet bir fotoğraf veri kümesidir, ISRUC ise sinyallerden oluşur). Çalışmada ek olarak, Sürekli Dalgacık Dönüşümünün (CWT) skalogram görüntüleri denenmiştir.