Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Teknolojiler (Disiplinlerarası) Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: ŞEYMA YOL
Danışman: Gülay Tohumoğlu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Nöbet, serebral nöronların düzensiz elektriksel boşalmasının neden olduğu, beynin ani ve anormal aktivitesidir. En çok bilinen nöbetlerden biri, sinir hücrelerinin kontrolsüz boşalmasından kaynaklanan epileptik nöbet olarak adlandırılan tekrarlı ataklardır. Geleneksel bir EEG, epilepsiye işaret eden bu kontrolsüz süreci tespit etmek için sıklıkla yardımcı olur. Nöbetlerin görsel tespiti, özellikle uzun kayıtlarda, gözle görülür bir çaba ve zaman gerektirir, bu nedenle epileptik nöbetleri tespit etmek için alternatif yöntemlere ihtiyaç duyulmaktadır. Literatürde farklı yaklaşımların kullanıldığı çok sayıda epilepsi tespit çalışması yapılmıştır. Ancak bunların birçoğu hastaya özel sınıflandırıcılar kullanmaktadır. Bu çalışmada, epileptik nöbetlerin tespiti için dalgacık tabanlı algoritma farklı sınıflandırma yöntemlerine uyarlanmıştır. Epileptik nöbetin etkin frekans aralıklarını tespit etmek için sinyalin alt bantlarına ulaşmak önemlidir. Bu nedenle epileptik nöbetlere benzeyen bir ana dalgacık seçimi zordur. Dolayısıyla, ideal mertebeden bir Daubachies (db) dalgacığı, en iyi performansları elde edebilmek için kritik bir nokta haline gelir. Burada, orijinal EEG sinyalini ayrıştırmak için nöbetlerle güçlü korelasyona sahip olan db2'den db10'a Daubachies dalgacıkları seçilmiştir. Algoritma iki farklı veri kümesine uygulanır. Son olarak, sınıflandırma modeli için en uygun 8 öznitelik kullanılmıştır. Epileptik ve sağlıklı grupları ayırt etmek için Karar Ağaçları, Diskriminant Analizi, Naive Bayes, Destek Vektör Makinesi (DVM) ve k-En Yakın Komşu (k-NN) olmak üzere çeşitli makine öğrenme algoritmaları kullanıldı. Sonuçlar, db10'un DVM sınıflandırıcısını kullanarak beta bandında %95.83-100'lük en iyi ACC performansını verdiğini göstermektedir. Bu yöntem geleneksel yaklaşımlara iyi bir alternatif olabilir.