EEG işaretlerinden epilepsi türlerinin sınıflandırılmasında skalogram tabanlı derin öğrenme yaklaşımı

Bu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Türlerinin sınıflandırılmasında, EEG işaretinin boyutu artırılarak skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Bu tez konusunun çalışabilmesi; en basit paradigmalar karşısında beyinde oluşan temel salınımları, EEG gibi aktivite ölçüm tekniklerini ve işaret işleme yöntemlerini bilmeyi gerektirir. Beynin denetimsel faaliyetleri sırasında, sinir hücre gruplarının elektriksel aktiviteleri, salınımlar meydana getirir. Kompleks yapıda olan bu biyopotansiyel salınımlar, Elektroensefalogram (EEG) işaretleri olarak adlandırılır. Bu işaretler kullanılarak belirli hastalıklar tespit edilebilmektedir. Bu hastalıklardan biri de epilepsidir. Epilepsi, kendini nöbetler şeklinde gösteren bir hastalıktır. Bu nöbetler farklı karakteristikler şeklinde kendini gösterir. Bu farklı özellikler, epilepsi nöbet türlerini temelde iki ana gruba ayırır. Bu nöbetler, jeneralize ve parsiyel epilepsi olarak adlandırılır. Hekimler için bu nöbet türlerinin tespiti, hastalığın tedavisi açısından önem arz etmektedir. Epilepsi tespiti ve takibinde kullanılan uzun süreli EEG kayıtlarının görsel olarak değerlendirilmesi, zaman açısından maliyetli olmaktadır. Bu maliyetin minimize edilmesini sağlayacak yöntemlerin mühendislik alanlarında önerilebildiği görülmektedir. Mühendislik alanında literatürde var olan EEG tabanlı çalışmalar, bu tez çalışmasında iki ana grupta değerlendirilmiştir. Bu çalışmalar; a) Konvansiyonel Yöntemlere Dayalı Çalışmalar, b) Derin Öğrenme Yöntemlerine Dayalı Çalışmalardır. Bu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Önerilen yöntemin başarısını değerlendirmek amacıyla, Dicle Üniversitesi (DÜ) Nöroloji Kliniği EEG veri seti ve literatürde çok sık kullanılan Bonn EEG veri seti kullanılmıştır. Önerilen yöntemde, EEG işaretine Sürekli Dalgacık Dönüşümü (SDD) uygulanarak boyutu artırılmıştır. Boyutu artırılan iki boyutlu (2D) frekans-zaman skalogram görüntüleri, Evrişimsel Sinir Ağına giriş örüntüleri olarak kullanılmış ve eğitilerek sınıflandırılmıştır. Bonn EEG veri seti, farklı paradigmalar ile sağlıklı ve epilepsi hastalığının farklı zaman/konum işaretlerini içerir. Bu işaretler A, B, C, D ve E şeklinde etiketlendirilmiştir. Yapılan sınıflandırma çalışmasında; A-E ve B-E veri setleri %99.50(±1.50), A-D ve B-D veri setleri %100(±0.00), A-D-E veri setleri %99.00(±1.33), A-C-D-E veri setleri %90.50(±1.70) ve B-C-D-E veri setleri %91.50(±2.29), A-B-C-D-E veri setleri ise %93.60(±3.07) doğruluk oranları elde edilmiştir. DÜ Nöroloji Kliniğinden elde edilen EEG veri seti; sağlıklı, jeneralize nöbet öncesi, jeneralize nöbet anı ve parsiyel epilepsi olmak üzere 4 sınıf olarak etiketlendirilmiştir. Gerçekleştirilen sınıflandırma çalışmasında; normal, Jeneralize nöbet öncesi ve Jeneralize nöbet anı EEG kayıtları %90.16(±0.20); sağlıklı, Jeneralize nöbet öncesi, Jeneralize nöbet anı ve Parsiyel EEG kayıtları ise %84.66(±0.48) doğruluk ortalaması ile sınıflandırılmıştır. Bu sonuçlara göre elde edilen karışıklık (Confussion) matrisinde; normal EEG kayıtları %91.29, jeneralize epileptik nöbetler (nöbet anı) %96.50, parsiyel EEG kayıtları %89.63, nöbet öncesi EEG kayıtları ise %90.44 doğruluk başarımı elde edilmiştir. Çalışmada önerilen yöntemin sonuçları, hem litratürdeki benzer çalışmaların ve hem de konvansiyonel yöntemlerin sonuçları ile karşılaştırılmıştır. Sonuç olarak, önerilen yöntemin başarımı, kabul edilebilir seviyede olduğu görülmüştür.