EEG sinyallerinin epileptik rahatsızlıkların teşhisi için konvolüsyonel sinir ağları ve destek vektör makineleri ile tasnif edilmesi

Abstract

Epilepsi, uzmanların teşhis aşamasında verileri titizlikle incelemesini ve değerlendirmesini gerektiren bir nörolojik bozukluktur. Uzmanlara teşhis koymada yardımcı olabilmek için EEG sinyallerinin otomatik olarak sınıflandırılabilmesi önemlidir. Bu çalışmada, literatürde EEG ile öğrenme temsillerinin yapıldığı bir çalışmada uygulanan derin öğrenme mimarisinin bazı katmanları DVM ile değiştirilerek, literatürde şu ana kadar bir EEG sinyal bankası kullanılarak yapılan çalışmalar içinde en yüksek performans elde edilmiştir. Bu çalışmaya temel olan literatürdeki çalışmada da olduğu gibi, EEG sinyali önce normalize edilerek frekans uzayında ifade edilmiş ve akabinde iki boyutlu görüntü dizisi haline getirilmiştir. EEG ölçümü sırasında kafatasına yerleştirilen elektrotlardan elde edilen değerlerin bu resim üzerinde gösterimi ve bu resim üzerindeki eksik noktalarda sinyal gücünün tahmini için Clough-Tocher interpolasyon tekniğinden faydalanılmıştır. Literatürde temel aldığımız çalışmanın derin öğrenme mimarisindeki tam bağlantılı katmanı DVM ile değiştirildikten sonra, parametreler eğitim verileri üzerinde optimize edilmiş ve tekniğin EEG sinyalleri üzerinden epilepsi anlarını sınıflandırma performansının neredeyse kusursuz olduğu görülmüştür. Çalışma, EEG sinyallerinin öğrenme temsillerindeki kullanımı için geliştirilen bir metodun, KSA-DVM sentez modeline çevrilince, epilepsi sınıflandırılmasında çok başarılı bir performans göstermesi açısından literatürde önemli bir boşluğu doldurmaktadır.

Epilepsy is a neurological disorder requiring specialists to scrutinize and evaluate medical data at diagnostic stage. It is crucial that EEG signals can be automatically classified in order to help the experts diagnose the disorder correctly. In this study, deep learning technique applied in a study (in which learning representations were obtained on EEG signals in the literature) was modified with replacing some layers of CNN architecture via SVM, and the highest known performance was obtained on a benchmark EEG signal database. Similar to a previous study in the literature, EEG signals were first normalized, converted to frequency space by fast Fourier transform and then transformed into a two-dimensional image sequence. Clough-Tocher technique was used for interpolation of the values obtained from the electrodes placed in the skull during the EEG measurement on the image and for estimating the signal strength in the missing places over the picture. After the parameters in the deep learning architecture were optimized on the training data, it was observed that the technique's performance of classifying epilepsy moments over EEG signals was almost perfect. This study completes a gap in the literature in terms of demonstrating a successful performance in the classification of epilepsy by a method developed for learning representations through EEG signals, with modification of some CNN layers via SVM classification techniques.