Destek vektör makineleri yardımıyla invaziv EEG verilerinden epileptik nöbet tahmini
Yükleniyor...
Dosyalar
Tarih
2013
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Hatay Mustafa Kemal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Epilepsi hastalığı beyin içinde bulunan sinir hücrelerinin (nöronların) olağan dışı bir elektrokimyasal boşalma yapması sonucu ortaya çıkan ve hastayı birkaç saat süre ile rahatsız eden nörolojik bir rahatsızlıktır. Epilepsi hastalığı, beyinde gerçekleşen bu elektrokimyasal boşalmanın olduğu an (nöbet anı) dışında hastanın normal yaşamını etkilemeyen bir rahatsızlıktır. Bu nedenle epilepsi hastalarında nöbet anının tahmin edilmesi hastaların yaşamlarını sorunsuz bir şekilde devam ettirebilmesi açısından çok önemlidir. Erken nöbet teşhisinde, beyinde elektrokimyasal değişim sonucu oluşan elektriksel potansiyeller kayıt edilerek elde edilen EEG işaretlerinden çıkarılan özelliklerin nöbetin teşhisinde önemli bilgiler taşıdığı kabul edilmektedir.Bu çalışmada Hilbert-Huang Tranform tabanlı bir epileptik nöbet tahmini yöntemi önerilmektedir. Bu yöntemde EEG işaretleri İçsel Mod Fonksiyonlarına ayrılmakta ve ilk 5 İMF, nöbet öncesi ve nöbetler arası verileri sınıflandırmada kullanılacak özniteliklerin çıkarılmasında kullanılmaktadır. Nöbet öncesi / nöbetler arası ikili sınıflandırma işlemi Destek Vektör Makineleri yöntemiyle gerçekleştirilmiştir. Kullanılan öznitelikler arasından DVM sınıflandırıcısının performansını en iyi yapan öznitelik alt kümesi Ardışık Geriye Dönük Öznitelik Seçimi yöntemi ile bulunmuştur. Böylelikle, kullanılan öznitelikler arasından nöbet tahmini için en elverişli olan öznitelikler bulunmuş olup her pencere için harcanması gereken işlem süresi azaltılmış ve gerçek zamanlı sistemler için daha elverişli hale getirilmiştir.Sınıflandırma için DVM kullanılmış olup, parametreler için yapılan optimizasyon işlemi ile sonuçların daha iyi hale getirilmesi sağlanmıştır. Son aşama olarak, sınıflandırma sonuçları, sahte algılamalara karşı sınıflandırma sonrası işlemden (post-processing) geçirilmiştir. Sonuç olarak bu yöntemle 87 nöbetin 74 ünün ortalama 35.38dakika önce tespiti sağlanmış olup Hilbert-Huang Transform yönteminin erken nöbet teşhisindeki başarısı gösterilmiştir.
Epilepsy is a disease of the brain to the nerve cells (neurons) out of the ordinary electrochemical ejaculation to the results that emerged in the patient a few hours time bothering with a neurological disorder.Epilepsy disease that electrochemical ejaculation occurs in the brain (seizure of a sudden) outside the patient's normal lives affect a condition is a disease.Therefore, in patients with epilepsy seizure of the moment of the estimation of patients' lives a hassle-free way to keep order is very important.In the early diagnosis of seizures in the brain, electrochemical change as a result of the electrical potentials record obtained from the EEG signals of the extracted features of the seizure in the diagnosis of important information it carries, is considered.In this study, the Hilbert-Huang Tranform based on a epileptic seizure prediction method is recommended. In this method, the EEG signals of Intrinsic Mode Functions subdividing and the first 5 the IMF, before the seizure and non-epileptic seizure data is used for the extracted features for classification. Before the seizure / non-epileptic seizure binary classification process is implemented by Support Vector Machines. Used features among the Support Vector Machine classification performance makes it the best in the feature subset of Consecutive Backward Feature Selection method was found. As a result, the used features from the seizure of the forecast for the most favorable features which have been found for each window that should be spent processing time reduced, and has become more favorable for real-time systems.For the classification of the Support Vector Machine is used, the parameters are made for the optimization of the process, with the results to better making is provided. In the last stage, for the classification results, false perceptions against the classification of the post-processed (post-processing) is reviewed. In conclusion, by using this method, the average of 74 seizure out of the 87 seizure which occurs 35.38 minutes before detection which is provided with Hilbert-Huang Transform method early in the seizure diagnosis of success has been shown.
Epilepsy is a disease of the brain to the nerve cells (neurons) out of the ordinary electrochemical ejaculation to the results that emerged in the patient a few hours time bothering with a neurological disorder.Epilepsy disease that electrochemical ejaculation occurs in the brain (seizure of a sudden) outside the patient's normal lives affect a condition is a disease.Therefore, in patients with epilepsy seizure of the moment of the estimation of patients' lives a hassle-free way to keep order is very important.In the early diagnosis of seizures in the brain, electrochemical change as a result of the electrical potentials record obtained from the EEG signals of the extracted features of the seizure in the diagnosis of important information it carries, is considered.In this study, the Hilbert-Huang Tranform based on a epileptic seizure prediction method is recommended. In this method, the EEG signals of Intrinsic Mode Functions subdividing and the first 5 the IMF, before the seizure and non-epileptic seizure data is used for the extracted features for classification. Before the seizure / non-epileptic seizure binary classification process is implemented by Support Vector Machines. Used features among the Support Vector Machine classification performance makes it the best in the feature subset of Consecutive Backward Feature Selection method was found. As a result, the used features from the seizure of the forecast for the most favorable features which have been found for each window that should be spent processing time reduced, and has become more favorable for real-time systems.For the classification of the Support Vector Machine is used, the parameters are made for the optimization of the process, with the results to better making is provided. In the last stage, for the classification results, false perceptions against the classification of the post-processed (post-processing) is reviewed. In conclusion, by using this method, the average of 74 seizure out of the 87 seizure which occurs 35.38 minutes before detection which is provided with Hilbert-Huang Transform method early in the seizure diagnosis of success has been shown.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
