EEG sinyallerinin wavelet yöntemiyle dönüştürülerek yapay sinir ağları ile sınıflandırılması

Abstract

Elektroensefalografi (EEG), beyindeki elektriksel aktiviteyi kaydeden bir görüntüleme tekniğidir. EEG sinyalleri gibi durağan olmayan sinyallerin analizinde başarılı olması nedeniyle EEG spektral analizinde genellikle Ayrık Dalgacık Dönüşümü (ADD) kullanılır. ADD ile sinyal alt bandlarına ayrıştırılır ve bu alt bandları temsil eden istatistiksel özellikler elde edilir. Bu tez çalışmasında Akut Lenfoblastik Lösemi (ALL) hastası ve sağlıklı kişilerin EEG sinyalleri Ayrık Dalgacık Dönüşümü ile 5. seviyedeki alt bantlarına ayrılmış ve bu alt bantlarına ait 10 adet istatistiksel özellik elde edilmiştir. Bu özellik vektörleri Yapay Sinir Ağlarına (YSA) giriş olarak verilip ileri beslemeli geri yayılımlı YSA modeli ile sınıflandırılmıştır. Aynı işlemler farklı dalgacık aileleri için de tekrar edilmiştir. Böylece her bir dalgacık ailesi için sınıflandırma sonuçları karşılaştırılmıştır. Sınıflandırma sonucunda EEG sinyallerinin sağlıklı veya hasta olduğu hakkında bilgi elde edilmiştir. Sonuçta incelenen ayrışım seviyesi için en düşük sınıflama başarısı Haar ve Coif1 Dalgacıklarına ait olup diğer dalgacıkların sınıflandırma başarılarının ise birbirine yakın ve yüksek olduğu saptanmıştır.Anahtar Kelimeler: Elektroensefalografi (EEG), Sinyal işleme, Dalgacık Dönüşümü, Yapay Sinir Ağı, Akut Lenfoblastik Lösemi

Electroencephalography (EEG) is an imaging technique that records the electrical activity in the brain. Discrete Wavelet Transform (DWT) is often used in EEG spectral analysis because it is successful in analyzing non-stationary signals such as EEG signals. Using DWT, it is decomposed into signal subbands and statistical features representing these subbands are obtained. In this thesis study, EEG signals of patients with acute lymphoblastic leukemia (ALL) and healthy individuals were divided into 5 sub-bands by Discrete Wavelet Transform and 10 statistical features of these sub-bands were obtained. These feature vectors are given as input to Artificial Neural Networks (ANN) and classified by the Feed Forward Back Propagation Neural Network (FFNN) model. The same procedure was repeated for different wavelet families. Thus, the classification results for each wavelet family are compared. As a result of classification, information about what is healthy or ill of EEG signals was obtained. Consequently, it is found that the lowest classification success for the analyzed level belongs to Haar and Coif1 Wavelets and the classification results of other wavelets are close to each other and high.Keywords: Electroencephalography (EEG), Signal Processing, Wavelet Transform, Artificial Neural Network, Acute Lymphoblastic Leukemia