Sezgisel algoritma öğrenmeli yapay sinir ağları ile epilepsi hastalığının teşhisi

Abstract

Bu tez çalışmasında, Elektroansefalogram (EEG) kayıtlarının değerlendirilip epilepsi teşhisininyapılabilmesi amaçlanmıştır. Bunun için sınıflandırma aracı olarak son yıllarda sıkça kullanılan ve etkinbir sınıflandırma tekniği olarak bilinen yapay sinir ağları kullanılmıştır. Öğrenme algoritması olarak 1995yılında ortaya atılan bir sezgisel algoritma olan parçacık sürüsü optimizasyonu (PSO) yöntemi tercihedilmiştir. Yapay sinir ağını eğitmek için kullanılan bu yöntem, geleneksel yöntemlerden biri olan geriyayılım algoritması ile kıyaslanmış ve sonuçlar yorumlanmıştır. PSO algoritması kullanılmasıdurumunda, sınıflandırma doğruluğu %98 bulunmuştur. PSO tabanlı sinir ağı modeli, geri yayılım sinirağı (BPNN) modeline göre daha iyi sınıflandırma gerçekleştirmiştir.7 tane PSO tabanlı yapay sinir ağı (PSONN) modeli (PSONN1, PSONN2, PSONN3, PSONN4,PSONN5, PSONN6 ve PSONN7) tanımlanmıştır. BPNN ve PSONN modellerinin algoritmasının yazılımıMatlab programlama dili ile gerçekleştirilmiştir. Modeller içerisinde sınıflandırma için en uygun olanmodeller, PSONN3 ve PSONN7 olarak belirlenmiştir. Ayrıca, farklı hücre, iterasyon ve parçacık sayılarıdenenmiş, en uygun değerler sırasıyla 3, 200 ve 30 olarak bulunmuştur.

In this thesis, it was aimed that making epilepsy diagnosis by evaluation ofElectroencephalogram (EEG) records. For this, as the classifier, a technique, which is frequenctly usedand known as an active classification technique, artificial neural networks is used. As training algorithm,particle swarm optimization (PSO) method, which is a proposed heuristic algorithm in 1995, is prefered.This method which is proposed to evolve the artificial neural network is compared with back propagationalgorithm, which is one of the traditional methods and the results are interpreted. In case of using the PSOalgorithm, the classification accuracy was %98. PSO based neural network model (PSONN) has a betterclassification than back-propagation neural network (BPNN) model.Seven PSO based neural network models is described. The designed algorithm of PSONN?s andBPNN models was developed via MATLAB programming language. In these models, PSONN3 andPSONN7 is determined as appropriate models for the classification. In addition, different number ofneuron, iteration and particle have been tried and most appropriate values of these are 3, 200 and 30,respectively.