Eeg sinyallerinin epilepsi durumunun model-tabanlı spektral analiz teknikleri ile belirlenmesi

Abstract

Elektroensefalografi (EEG), beynin elektriksel aktivitesini yansıtan önemli bir sinyaldir. Birçok beyin hastalığının teşhisinde yararlı bilgiler sağlamaktadır ve teşhisinde önemli olduğu hastalıklardan biri de epilepsi hastalığıdır. Bu tez çalışmasında, sinyallerin spektral analizinde geniş yer alan model tabanlı sinyal işleme yöntemlerinden özbağlaşımlı yöntem?AR kullanılmıştır. AR yöntemi özellikle dar bantlı olan sinyalleri daha iyi karakterize edebilmesi ve keskin tepelere sahip spektrumları daha iyi tahmin edebilmesi, aynı zamanda doğrusal işlemler içerdiği için kolay hesaplanabilen kestirim yöntemlerine sahip olması sebebiyle sıkça tercih edilen bir yöntemdir. Epilepsi hastası ve hastalıklı olmayan (kontrol) bireylerden alınan EEG sinyalleri AR yöntemi kullanılarak incelenmiştir. Epilepsi hastası olan ve hastalıklı olmayan (kontrol) bireylere ait EEG kayıtlarının güç yoğunluk spektrumlarının kestirimleri Yule-Walker ve Burg yöntemleri kullanılarak hesaplanmıştır. Epileptik ve Epileptik olmayan EEG verilerinin ayrımının yapılabilmesi için öznitelik çıkarmak oldukça önemlidir. Bu amaçla Epileptik ve Epileptik olmayan EEG sinyallerinin öznitelikleri güç yoğunluk spektrumlarından çıkarılmıştır ve öznitelik çıkarılması açısından Yule-Walker ve Burg yöntemlerinin başarısı incelenmiştir. Model tabanlı yöntemlerde güç yoğunluk spektrumunun doğru tahmin edilebilmesi, model derecesinin uygun bir biçimde seçilmesiyle mümkündür. Bu sebeple, kullanılan AR yönteminin model derecesini belirlemek üzere AIC (Akaike's Information Criterion), MDL (Minimum Description Length ), FPE (Akaike's Final Prediction Error), CAT (Parzen's Criterion of Autoregressive Transfer function), BIC (Bayesian Information Criterion) ve KIC (Kullback Information Criterion) yöntemleri kullanılmıştır. Model derecesi belirlemede kullanılan yöntemlerin, Yule-Walker ve Burg yöntemleri için başarısı incelenmiştir. Elde edilen sonuçlara göre model derecesi belirleme ve öznitelik çıkarma başarısının kullanılan EEG verisine bağımlı olarak değiştiği gözlenmiştir. Her EEG veri seti için her bir yöntemin başarısı yorumlanmıştır.

Electroencephalography (EEG) is a significant signal that represents the electrical activities of the brain. It provides useful information for the diagnosis of many diseases and the major one of these diseases is epilepsy. In this thesis, one of the parametric methods which has a wide variety of application in spectral analysis of signals and is called Autoregressive (AR) method is used. Since AR method characterizes especially narrow band spectrum successfully and it has great performance for estimation of spectrums with sharp peaks and also it has computationally efficient estimation methods, it is one of the most preferred methods for spectral estimation. EEG data of people with epilepsy and without epilepsy are analyzed with AR method. The power spectral densities of epileptic and non-epileptic EEG records are estimated with Yule-Walker and Burg methods. Feature extraction is necessary to detect the difference between epileptic and non-epileptic EEG. For this end, features of EEG data are extracted from the power spectral density estimations and in that respect the performances of Yule-walker and Burg methods are analyzed. In parametric methods, the accurate estimation of power spectral density is possible with the selection of suitable model order. For this reason, AIC (Akaike?s Information Criterion), MDL (Minimum Description Length), FPE (Akaike?s Final Prediction Error), CAT (Parzen?s Criterion of Autoregressive Transfer function), BIC (Bayesian Information Criterion) ve KIC (Kullback Information Criterion) methods are used to determine the AR model order. The performances of these methods are analyzed for Yule-Walker and Burg methods. According to the analysis results, it is understood that the performance of the model order determination and the feature extraction differ with EEG data. The performance of every method is evaluated for every EEG data set.