EEG dikenlerinin yapay sinir ağları ile tanınması

Abstract

ÖZET: Bu çalışma, EEG olaylarından, diken, diken daiga kompleksi (DDK), EMG ve zemin EEG (Z-EEG) aktivitesinin, işlenmemiş EEG sinyalinin giriş verisi olarak kullanıldığı yapay sinir ağları (YSA) ile tanınması amacıyla gerçekleştirilmiştir. Beynin elektrik alanlarının kaydı ve analizi olan elektroenfesalografi (EEG), nörolojik bir hastalık olan epilepsinin tanı ve tedavisinin izlenmesinde yaygın olarak kullanılmaktadır. EEG kayıtlarının yorumlanması bu konuda eğitilmiş bir uzmanı gerektirdiğinden yorucu ve masraflı bir iştir. Gelişen teknolojiye bağlı olarak ekonomik EEG cihazlarının yaygınlaşması ve giderek artan sayıda 24 saat ve daha uzun süreli EEG kayıtlarının yapılması, bu kayıtları değerlendirecek otomatik sistemlere olan ihtiyacı artırmaktadır. Son yıllarda, interictal EEG dalgalarının tanınmasında YSA kullanılması ilgi gören bir çalışma alanı haline gelmiştir. Bu çalışmada da, DDK, EMG ve Z-EEG tipi EEG olaylarının tanınmasında 3 katmanlı, tam bağlanmış, ileri beslemeli, geriye dağılma tipinde YSA'lar kullanılmıştır. Beş hastadan kaydedilen EEG sinyalleri sayısallaştırıldıktan sonra özel olarak geliştirilen bir yazılım kullanılarak, YSA'lar için eğitim ve test verileri oluşturulmuştur. Bu veriler kullanılarak, çok sayıda ağ, giriş verisi sayısının, gizli katman nöron sayısının ve eğitim döngüsü sayısının tanıma performansı özerindeki etkilerini belirlemek amacıyla eğitilmiş ve test edilmiştir. Çalışma sonucunda, 150 ms süreye karşılık gelen giriş verisi sayısı (30) optimum giriş verisi sayısı olarak belirlenmiştir. Ek olarak, 6 gizli katman nöronunun optimal performans için yeterli olduğu ve daha fazla nörona gerek olmadığı saptanmıştır. Çalışmanın bir diğer sonucuna göre, EMG grubu için ayrı bir çıkış nöronu kullanılması, yapay sinir ağının tanıma performansını artırmaktadır. Çalışmada, dikenlerin eğitim veya kontrol ayrımı yapılmadan elde edilen maksimum doğru tanınma oranı % 93'dür. Tüm bu sonuçlar, işlenmemiş EEG'yi giriş verisi olarak kullanan YSA temelli, tek kanallı tanıma sistemlerinin yüksek sınıflandırma performansı gösterebileceğini kanıtlamaktadır. 50

ABSTRACT: Artificial neural networks (ANN) using raw EEG data were developed and tested off-line to detect transient epileptiform discharges (spike and spike / wave) and EMG activity in ongoing EEG. In the present study, a feedforward ANN with a variable number of input and hidden layer units and 2 output units was used to optimize the detection system. The ANN system was trained and tested with the backpropagation algorithm using a large data set of exemplars. The effects of different EEG time windows and the number of hidden layer neurons were examined using rigorous statistical tests for optimum detection sensitivity and selectivity. The best ANN configuration occurred with an input time window of 150 msec (30 input units) and 6 hidden layer neurons. This input interval contained information on the wave component of the epileptiform discharge which improved detection. Two dimensional ROC curves were developed to define the optimum threshold parameters for best detection. Comparison with previous networks using raw EEG showed improvement in both sensitivity and selectivity. This study has shown that raw EEG can be successfully used to train ANNs for detecting epileptogenic discharges with a high success rate without resorting to experimenter selected parameters which may limit the efficiency of the system. 51