EEG işaretlerinden Hilbert-Huang transform (HHT) yöntemi ile nöbet algılama ve tahmini
Yükleniyor...
Dosyalar
Tarih
2012
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Hatay Mustafa Kemal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dünya çapında çok sayıda insanı etkileyen epilepsi, bilinen en yaygın nörolojik bozukluktur. Epilepsi, hastayı sadece nöbet anlarında, ve bazı durumlarda bu nöbeti izleyen birkaç saat süreyle, rahatsız eden, bunun dışında normal yaşamına devam etmesini engellemeyen bir hastalıktır. Bu nedenle epilepsi tanısı konmuş bir hasta için nöbet geçirme zamanının önceden tespit edilebilmesi çok önemlidir. Erken nöbet teşhisinde, EEG işaretlerinden çıkarılan özelliklerin ve farklı parametrelerin önemli bilgiler taşıdığı kabul edilmektedir.Bu tez çalışmasında, nöbet algılama ve nöbet tahmini olmak üzere iki farklı çalışma yapılmıştır. Nöbet algılama çalışmasında, nöbet tespiti için Ampirik Kip Ayrışım tabanlı bir yöntem önerilmiştir. Önerilen yöntem, 123 dakikalık nöbet verisi ve 200 dakikalık nöbet dışı veri üzerinde 3 farklı sınıflandırıcı kullanılarak test edilmiştir. Tüm sınıflandırıcılar için %80 üzerinde duyralılık ve %95 üzerinde belirlilik elde edilmiştir.Nöbet tahmini çalışmasında, Hilbert-Huang Tranform tabanlı bir epileptik nöbet tahmini yöntemi önerilmektedir. Bu yöntemde EEG işaretleri İçsel Mod Fonksiyonlarına ayrılmakta ve ilk 6 İMF, nöbet öncesi ve nöbetler arası verileri sınıflandırmada kullanılacak özniteliklerin çıkarılmasında kullanılmaktadır. Nöbet öncesi / nöbetler arası ikili sınıflandırma işlemi Yapay Sinir Ağları ve Bayes Ağları yöntemiyle gerçekleştirilmiştir. Sınıflandırma öncesinde Korelasyon Tabanlı Öznitelik Seçimi yöntemiyle öznitelik seçimi yapılmıştır. Önerilen yöntemle Freiburg iEEG veri setindeki 87 adet nöbet öncesi 58 saatlik veri ile 504 saatlik nöbetler arası veri test edilmiştir. %50 örtüşen 30 saniyelik EEG verileri kullanılarak, %95,4 duyarlılık (87 nöbetin 83'ü) ve 0.55 YP/saat elde edilmiştir. Bu sonuçlar epileptik nöbet tahmininde Hilbert-Huang Transform yönteminin ümit verici olduğunu göstermektedir.
Epilepsy is a neurological disorder that affect a serious number of people all around the world. Detection of epileptic seizures using EEG signals occupies an important part in the diagnosis of epilepsy. Epilepsy is a patalogy that effects the patient only during a seizure, and the following short duration for some cases, and otherwise allows the patient to maintain his/her normal life. Therefore, for a patient diagnosed with epilepsy, it is important to predict a seizure before it happens. Features and parameters extracted from EEG signals from the epileptic patient are excepted to have important information for seizure detection.In this work two different kinds of study was made; seizure detection and prediction. In the study of seizure detection, we present a method for seizure detection based on Empirical Mode Decomposition. This method was tested on 123 minutes of iktal data and 200 minutes of inter-iktal data using different classifiers. For all classifiers, over 80% sensitivity and over 95% specificity were otained.In the study of seizure prediction, seizure prediction method based on Hilbert-Huang Transform was advised. In this method EEG signals are decomposed into Intrinsic Mode Functions and first six IMFs are used to obtain features for classification of preictal and interictal recordings employing Artificial Neural Networks and Bayesian Network. Correlation Feature Selection method is used for feature selection before classification. Proposed method was tested on Freiburg iEEG database. A total of 58 hours of preictal data, prior to 87 seizures, and 504 hours of interictal data were examined. Algorithm resulted in 95.4% sensitivity (83 of 87 seizures) and 0.55 FPs/h using 30 seconds EEG segment with 50% overlap. The results show that epileptic seizure prediction in EEG records via Hilbert-Huang Transform is very promising.
Epilepsy is a neurological disorder that affect a serious number of people all around the world. Detection of epileptic seizures using EEG signals occupies an important part in the diagnosis of epilepsy. Epilepsy is a patalogy that effects the patient only during a seizure, and the following short duration for some cases, and otherwise allows the patient to maintain his/her normal life. Therefore, for a patient diagnosed with epilepsy, it is important to predict a seizure before it happens. Features and parameters extracted from EEG signals from the epileptic patient are excepted to have important information for seizure detection.In this work two different kinds of study was made; seizure detection and prediction. In the study of seizure detection, we present a method for seizure detection based on Empirical Mode Decomposition. This method was tested on 123 minutes of iktal data and 200 minutes of inter-iktal data using different classifiers. For all classifiers, over 80% sensitivity and over 95% specificity were otained.In the study of seizure prediction, seizure prediction method based on Hilbert-Huang Transform was advised. In this method EEG signals are decomposed into Intrinsic Mode Functions and first six IMFs are used to obtain features for classification of preictal and interictal recordings employing Artificial Neural Networks and Bayesian Network. Correlation Feature Selection method is used for feature selection before classification. Proposed method was tested on Freiburg iEEG database. A total of 58 hours of preictal data, prior to 87 seizures, and 504 hours of interictal data were examined. Algorithm resulted in 95.4% sensitivity (83 of 87 seizures) and 0.55 FPs/h using 30 seconds EEG segment with 50% overlap. The results show that epileptic seizure prediction in EEG records via Hilbert-Huang Transform is very promising.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
