Epileptik EEG sinyallerinin makine öğrenmesi yöntemleri ile sınıflandırılması

Dünya Sağlık Örgütünün (WHO) analizlerine göre epilepsi dünyada en yaygın görülen bir nörolojik hastalıktır. Her yaştan insanı etkileyebilen bu hastalık bilinç kaybı, hareket bozukluğu ve diğer bilişsel işlevler gibi geçici istemsiz durumlar oluşturmaktadır. Halk arasında sara olarak da adlandırılan bu hastalığın teşhisinde noninvaziv veya intrakraniyal EEG yöntemleri ile beyindeki elektriksel sinyal kayıt altına alınır. Epileptik EEG sinyallerinin çok çeşitli morfolojilere sahip olmasından dolayı nörofizyologların değerlendirmesi hem zaman alıcı hem de yanıltıcı olabilmektedir. Bundan dolayı epilepsi tespitinde yerel sağlık sistemlerine entegre modeller geliştirmeyi amaçlayan çalışmalar yapılmaktadır. Literatürde de EEG sinyallerinden epilepsi tespiti için uzmanlara yardımcı olmak amacıyla makine öğrenmesi temelli yaklaşımlar mevcuttur. Bu tez çalışmasında da nöbet tespitinde medikal tanı sistemlerine fayda sağlayacak, işlem maliyetini azaltacak bir yöntem amaçlanmıştır. Kaliforniya Bonn Üniversitesi Epileptoloji Bölümü tarafından gerçekleştirilen erişime açık EEG epileptik veri seti kullanılarak 3 ayrı çalışma yapılmıştır. Çalışmalarda farklı yöntemlerle elde edilen öznitelikler Aşırı Öğrenme Makineleri (AÖM), Destek Vektör Makineleri (DVM), En Yakın K-Komşu (KNN) ve Karar Ağaçları (KA) ile sınıflandırılmıştır. Ayrıca en iyi başarım sonuçları elde edilen sistem için tıpta tanı testlerinde sınıflandırma değerlendirmesinde yaygın olarak kullanılan ROC (Alıcı İşlem Karakteristikleri) eğrisi ile analizleri yapılarak sınıflandırıcının performans değerlendirmesi yapılmıştır. Son olarak da literatürdeki aynı veri seti kullanılarak yapılan çalışmalar ile karşılaştırılmıştır.