EEG işaretlerinde epilepsi nöbet tahmini ve tespiti

Abstract

Epilepsi nöbeti beynin sinir hücrelerinde anormal elektriksel boşalım olarak meydana gelen nörolojik bir bozukluktur. Elektroansefalografi (EEG) ise bu anormal elektriksel aktiviteyi kayıt etme yöntemidir. Bu çalışmada BONN veri tabanı kullanılarak EEG verilerinde sağlıklı, nöbet öncesi ve nöbet anı tespit edildi. Çalışmada ilk aşama olarak EEG işaretlerinde ciddi gürültü bulunması nedeniyle ön-işlem olarak gürültü giderimi gerçekleştirildi. İkinci aşama olarak EEG sinyallerine Ampirik Kip Ayrışımı yöntemi ile İçkin Kip Fonksiyonlarına ayrıştırılarak ve Ayrık Dalgacık Dönüşümü uygulayarak sinyalleri alt-bantlarına ayrıştırarak bu iki frekans uzayı dönüşümü yöntemlerinin ayrı ayrı sınıflandırma aşamasındaki başarımı irdelendi. Sınıflandırma aşamasından önce özellik çıkartımı amacıyla frekans uzayındaki sinyallerin istatiksel özellikleri çıkartıldı. Bu özellikler kullanılarak Destek Vektör Makineleri (DVM), Karar Ağacı (KA), K-en Yakın Komşuluk (K-YK) sınıflandırıcılarının başarımları analize edildi. BONN veri tabanı üzerinde yapılan deneylerde epilepsi tespiti ve tahmininde en iyi başarımı Ampirik Kip Ayrışımı uygulanılmasının ve sınıflandırıcı olarak da DVM, KA durumunda elde edildiği görüldü. Epilepsi hastalarının mevcut durumdan daha az etkilenmesi amacıyla bu tez kapsamında epilepsinin nöbet tespit ve tahminine yardımcı olacak bir yaklaşım gösterildi.

Epilepsy seizure is a neurological disorder that occurs as abnormal electrical discharge in the nerve cells of the brain. Electroencephalography (EEG) is a method of recording this abnormal electrical activity. In this study, healthy, pre-seizure and seizure were determined in EEG data by using BONN database. In the first step of the study, noise removal was performed as a pre-treatment due to the presence of significant noise in the EEG signals. As a second step, the performance of these two frequency space transformation methods in the separate classification stage was examined by separating the signals into sub-bands with Discrete Wavelet Transform, also by separating them into the Intrinsic Mode Functions with Empirical Mode Decomposition (EMD) method to EEG signals. Before the classification, the statistical moments of the signals in the frequency domain were extracted for feature extraction. Using these features, the performances of Support Vector Machines (SVM), Decision Tree, K-nearest Neighborhood (K-NN) classifiers were analyzed. In the experiments performed on the BONN database, the best detection and estimation of epilepsi EEG performance was obtained by applying EMD method and as a classifier SVM and Decision Tree. In this thesis, an approach to assist in the seizure detection and prediction of epilepsy is shown in order to less affect the current situation of epilepsy patients.