Non-linear analysis of epileptic EEG activity

Abstract

ÖZET EPİLEPTİK EEG ETKİNLİĞİNİN DOĞRUSAL DIŞI ANALİZİ Epilepsi hastalığı olan kişiler, nöbetler ve onların neden olduğu yaralanmalardan doğan yetersizliklerden, nöbetlerin neden olduğu sosyal dışlanmalardan, ilaç ve diğer tedavi yöntemlerinin yan etkilerinden sıkıntı çekmektedirler. Epilepsi nöbetlerinin oluşumunu belirleyebilecek/öngörebilecek otomatik bir sistem, hastalara veya yalan çevrelerine gerekli önlemleri alma olanağı tanıyacağı gibi, olaya ilişkin daha nesnel içerikli bir öngörü de sağlayacaktır. Bu tez çalışmasının amacı, epileptik EEG veri lerinin, nöbetlerin sezimi/öngörüsü için, ilinti boyutu (D2) ve doğrusal dışı öngörü algo ritmaları kullanılarak incelenmesidir. Bu amaçla, üç epilepsi hastasının EEG kayıtları incelenmiştir. Her hasta için inceleme konusu olan kanallar, bir nöroloji uzmanınm tavsiyeleri doğrultusunda seçilmiştir. Kaydedilmiş veri, 5s'lik parçalara bölünmüştür. Yapay veriler testi, söz konusu veri kümesinin doğrusal dışı özellik gösterdiği sap tamıştır. İlinti boyutu değerlerinin epilepsi nöbetleri ile bağımlılık gösterdiği görülmüştür. Ancak, doğrusal dışı öngörü algoritmaları ile elde edüen sonuçlar, ilinti boyuntundakiler kadar tutarlı gözükmemektedir. Anahtar Sözcükler: Epilepsi, EEG, Yapay veriler testi, İlinti boyutu, Doğrusal dışı öngörü.

IV ABSTRACT NON-LINEAR ANALYSIS OF EPILEPTIC EEG ACTIVITY Individuals with epilepsy suffer considerable disability from seizures and result ing injuries, the social isolation attached to having seizures, and from side effects of medical and other therapies. An automatic system that detects/predicts seizure onsets would allow patients or people near them to take appropriate precautions and provide them with more insight into the phenomena with objective manners. The aim of this study is to analyze the epileptic EEG data using correlation dimension and nonlinear prediction algorithms for the detection/prediction of seizure onsets. For this purpose, EEG recordings from three patients were analyzed. The channels used for each patient have been chosen based on the observations of an expert neurologist. The recorded data has been divided into segments of 5s duration. Surrogate data testing has pointed out the nonlinearity in the data sets. Correlation dimension values were observed to show some dependency on seizure events. However, the results obtained from the nonlinear prediction algorithms did not show the same consistency as the correlation dimension results did. Keywords: Epilepsy, EEG, Nonlinear prediction, Correlation Dimension, Sur rogate data testing.