Beynin çeşitli bozukluk durumlarının incelenmesi, farklı aktivitelerinin modellenmesinde önemli ölçüde rol oynayan EEG sinyalleri, dünya çapında 50 milyona yakın insanı etkileyen halk arasında sara hastalığı olarak da bilinen epilepsi hastalığının teşhisinde en önemli bilgi kaynağı haline gelmiştir. Uyku halinde veya uyanıkken beynin değişen elektriksel faaliyetlerinin belirli standartlar altında kaydedilmesini sağlamıştır. EEG sinyallerinin analizinde otomasyon ve bilgisayar tekniklerine duyulan ihtiyacın günümüzde artar hale gelmesinin sebebi biyomedikal alanda daha objektif bir değerlendirme yapılabileceğinden kaynaklanmaktadır. Tez çalışmasında EEG sinyalleri, 500 farklı kişi bilgisinden oluşan bir zaman serisi verisi olarak kullanılmıştır. Bu veri seti bireylerin beyinlerinin farklı noktalarından alınarak oluşturulan ve bireyler farklı durumlardayken kaydedilen epileptik EEG verileridir. Bu kapsamda epileptik EEG zaman serisi verilerinin çeşitli makine öğrenmesi teknikleri yardımıyla sınıflandırılması gerçekleştirilmiştir. Metod olarak; temel yapay sinir ağı algoritması, çok katmanlı algılayıcı, k-en yakın komşu algoritması, lineer diskriminant analiz algoritması, rastgele orman algoritması ve tek boyutlu evrişimsel sinir ağı teknikleri kullanılmıştır. Yapılan çalışmalar sonucunda sınıflama üzerine etkisi incelenen tekniklerden en yüksek başarının derin öğrenme algoritması ile sağlandığı görülmüştür. YSA %76.39, MLP %96.26, CNN %99.88, K-NN %93.30, LDA %82.13 ve son olarak RF'den %94.30 sınıflandırma başarımı elde edilmiştir. Anahtar Kelimeler: EEG Zaman Serileri, Epilepsi, Makine Öğrenmesi, Sinir Ağları, Derin Öğrenme, Sınıflama.
EEG signals, which play an important role in the research of various disorders and modeling different activities of the brain, have become the most important source of information in the diagnosis of epilepsy is known as sara, which affects nearly 50 million people worldwide. It enabled to be recorded the changing electrical activity of the brain during sleep or awake under certain standards. The increasing need for automation and computer techniques for the analysis of EEG signals is due to the fact that a more objective evaluation in the biomedical field. In this thesis, EEG signals were used as a time series data consisting of 500 different person information. This data set is the epileptic EEG data created from different points of the individuals' brains and recorded when the individuals are in different situations. In this context, the classification of epileptic EEG time series data through various machine learning techniques was carried out. Basic artificial neural network algorithm, multilayer perceptron, k-nearest neighbors algorithm, linear discriminant analysis algorithm, random forest algorithm and one dimensional convolutional neural network techniques are used. As a result of the studies, it was seen that the highest success was achieved with the deep learning algorithm among the techniques that effects on classification were examined. Classification success was achieved with YSA 76.39%, MLP 96.26%, CNN 99.88%, K-NN 93.30%, LDA 82.13% and finally 94.30% from RF. Keywords: EEG Time Series, Epilepsy, Machine Learning, Neural Networks, Deep Learning, Classification.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, 2021.
Kaynakça var.
Beynin çeşitli bozukluk durumlarının incelenmesi, farklı aktivitelerinin modellenmesinde önemli ölçüde rol oynayan EEG sinyalleri, dünya çapında 50 milyona yakın insanı etkileyen halk arasında sara hastalığı olarak da bilinen epilepsi hastalığının teşhisinde en önemli bilgi kaynağı haline gelmiştir. Uyku halinde veya uyanıkken beynin değişen elektriksel faaliyetlerinin belirli standartlar altında kaydedilmesini sağlamıştır. EEG sinyallerinin analizinde otomasyon ve bilgisayar tekniklerine duyulan ihtiyacın günümüzde artar hale gelmesinin sebebi biyomedikal alanda daha objektif bir değerlendirme yapılabileceğinden kaynaklanmaktadır. Tez çalışmasında EEG sinyalleri, 500 farklı kişi bilgisinden oluşan bir zaman serisi verisi olarak kullanılmıştır. Bu veri seti bireylerin beyinlerinin farklı noktalarından alınarak oluşturulan ve bireyler farklı durumlardayken kaydedilen epileptik EEG verileridir. Bu kapsamda epileptik EEG zaman serisi verilerinin çeşitli makine öğrenmesi teknikleri yardımıyla sınıflandırılması gerçekleştirilmiştir. Metod olarak; temel yapay sinir ağı algoritması, çok katmanlı algılayıcı, k-en yakın komşu algoritması, lineer diskriminant analiz algoritması, rastgele orman algoritması ve tek boyutlu evrişimsel sinir ağı teknikleri kullanılmıştır. Yapılan çalışmalar sonucunda sınıflama üzerine etkisi incelenen tekniklerden en yüksek başarının derin öğrenme algoritması ile sağlandığı görülmüştür. YSA %76.39, MLP %96.26, CNN %99.88, K-NN %93.30, LDA %82.13 ve son olarak RF'den %94.30 sınıflandırma başarımı elde edilmiştir. Anahtar Kelimeler: EEG Zaman Serileri, Epilepsi, Makine Öğrenmesi, Sinir Ağları, Derin Öğrenme, Sınıflama.
EEG signals, which play an important role in the research of various disorders and modeling different activities of the brain, have become the most important source of information in the diagnosis of epilepsy is known as sara, which affects nearly 50 million people worldwide. It enabled to be recorded the changing electrical activity of the brain during sleep or awake under certain standards. The increasing need for automation and computer techniques for the analysis of EEG signals is due to the fact that a more objective evaluation in the biomedical field. In this thesis, EEG signals were used as a time series data consisting of 500 different person information. This data set is the epileptic EEG data created from different points of the individuals' brains and recorded when the individuals are in different situations. In this context, the classification of epileptic EEG time series data through various machine learning techniques was carried out. Basic artificial neural network algorithm, multilayer perceptron, k-nearest neighbors algorithm, linear discriminant analysis algorithm, random forest algorithm and one dimensional convolutional neural network techniques are used. As a result of the studies, it was seen that the highest success was achieved with the deep learning algorithm among the techniques that effects on classification were examined. Classification success was achieved with YSA 76.39%, MLP 96.26%, CNN 99.88%, K-NN 93.30%, LDA 82.13% and finally 94.30% from RF. Keywords: EEG Time Series, Epilepsy, Machine Learning, Neural Networks, Deep Learning, Classification.