Melez sınıflandırma yaklaşımı ile EEG işaretlerinden epileptik dönemlerin algılanması

Abstract

Günümüzde otomatik tanı sistemlerinin tıbbi alanlarda gittikçe yaygınlaşmasıyla, hastalıkların tanısı için harcanan süre ve yanlış tanılar azalmıştır. Bu sistemler aynı zamanda hastalığın tedavisinde uzmanlara da yol gösterir nitelikte olmuştur. Daha önceki teşhislere yönelik verilerin saklanması ve yeniden yorumlanması adına kolaylık sağladığından, bu sistemlerin geliştirilmesinin ve desteklenmesinin önemi artmıştır. Tez çalışması, epileptik nöbetin teşhisi amaçlı sağlıklı, nöbet öncesi ve nöbet dönemi verilerinin sınıflandırılması ve bu sınıflandırma başarılarının karşılaştırmalı olarak ele alınmasını içermektedir. Bunun için daha önce hastalık teşhisi ya da farklı amaçlarla EEG analizinde kullanılmış olan Hjorth betimleyicileri, tekrarlılık ölçme analizi, Shannon entropi, Hurst üstel katsayısı ve sıfır geçiş oranı yöntemlerinden faydalanılmıştır. Elde edilen öznitelikler, k-en yakın komşuluk, Naive Bayes, yapay sinir ağları ve destek vektör makineleri ile önce tekli daha sonra performansı artırmak için melez sınıflandırma yapılmıştır. Çalışmada, hem epileptik nöbetin tespiti, hem de hastalıklı ve sağlıklı bireylerin ayırt edilmesine ilişkin veri gruplamaları yapılmış ve 7 adet alt veri kümesi oluşturulmuştur. Önerilen sistemin performansı doğruluk, duyarlılık ve özgünlük ölçütleri ile, oluşturulan her bir veri kümesi için belirlenmiştir. Bu durumda %97.5 ila %100 arasında sınıflandırma doğruluğu bulunmuş ve sonuçlar literatürdeki çalışmalarla kıyaslandığında tez çalışmasında önemli ilerlemelerin elde edildiği görülmüştür. Anahtar Kelimeler: Epileptik Nöbet, Hjorth, Entropi, Tekrarlılık Ölçme Grafiği, Hurst Üstel Katsayısı, Melez Sınıflandırıcılar Nowadays, the implementation of computerized systems in the medical field is quite popular. For this reason, the time taken for diagnosis of diseases and incorrect diagnoses have been decreased. These systems are also employed by the experts to improve treatment of illnesses. Because of these systems make storing and reinterpretation of diagnostic data more easier, the importance of development and support of these systems has increased. In this thesis, the data of healthy, pre-seizure and seizure period have been classified to diagnosis of epileptic seizure, and a comparative study of classifiers with classification accuracy have been made. For that, Hjorth's Descriptors, Recurrence Quantification Analysis, Shannon Entropy, Hurst Exponent, Zero Cross Rate methods, which have been used previously for diagnosis of disease or analysis of EEG signals, have been utilized. Obtained attributes have been firstly classified using k-nearest neighbor, naive Bayes, neural networks and support vector machines severally. For further performance improvement, the methods are evaluated in hybrid manner. For both detecting epileptic seizure, and distinguishing healthy and diseased people, 7 sub-data sets are created and accuracy, sensitivity and specificity of the methods were determined for the data sets. In this case, classification accuracy of between 97.5% and 100 % has been obtained and the results compared with the literature show that significant contributions have been made with this study. Keywords: Epileptic Seizure, Hjorth, Entropy, Recurrence Plot, Hurst Exponent, Hybrid Classifier