Kemoduysal EEG sinyallerinin sınıflandırılması için yeni bir hibrit öznitelik çıkarma yöntemi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: BEGÜM KARA GÜLAY

Danışman: NESLİHAN DEMİREL

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmanın temel amacı, genellikle incelenmesi zor olan kemosensör elektroensefalografi (EEG) sinyallerini kullanarak Parkinson hastalığını erken evrelerinde teşhis etmenin daha doğru bir yolunu geliştirmektir. Bu amaçla bu çalışmada Topluluk Ampirik Mod Ayrıştırma ve Vektör Otoregresif Modeli birleştiren EEMD_VAR adlı hibrit bir özellik çıkarma yöntemi önerilmektedir. Bu yöntem, özniteliklerin rastgele seçilmesini önlemek ve öznitelik sayısını otomatik olarak belirlemek için tasarlanmıştır. Önceden işlenmiş EEG sinyalleri, Topluluk Ampirik Mod Ayrıştırma kullanılarak ayrıştırılır ve ortaya çıkan İçsel Mod Fonksiyonları, Vektör Otoregresif modelinde bağımsız değişkenler olarak kullanılır. VAR modelinin katsayıları daha sonra çeşitli denetimli sınıflandırma algoritmalarında özellik olarak kullanılır. EEMD_VAR yönteminin performansı, Otoregresif modeli ve Hjorth parametreleri ile karşılaştırılır. Önerilen yöntemin, C2 elektrotunda yapay sinir ağları kullanarak maksimum yüzde 100'lük bir sınıflandırma doğruluğu elde ettiği, Otoregresif yöntemi ve Hjorth parametrelerinin ise yalnızca yüzde 72'lik bir maksimum doğruluk elde ettiği bulunmuştur. Diğer performans ölçütleri de önerilen yöntemin etkinliğini desteklemektedir. Ayrıca, beynin sağ tarafındaki elektrotlardan alınan daha yüksek sonuçlar, beynin sağ tarafının koku alma uyaranlarına karşı daha duyarlı olabileceği görülmektedir.