Farklı zaman ölçekli EEG işaretlerinden epilepsinin tespiti

Epilepsi dünya nüfusunun yaklaşık olarak %1'inde görülen, insanın yaşam kalitesini olumsuz etkiyen ve kendini sürekli nöbetler ile tekrarlayan yaygın bir hastalıktır. Bu hastalık insan beyninin bir bölümünde yahut tamamında meydana gelen ani, beklenmedik ve düzensiz elektriksel boşalma sunucu ortaya çıkan ciddi bir durumdur. Epilepsinin tespit ve tanısında kullanılan araçlardan biri olan Elektroensefalografi (EEG), epilepsi hakkında bilgi edinmek için önemli bir kaynaktır. Hızı, maliyeti, erişilebilirliği ve kullanım kolaylığından dolayı EEG oldukça yaygın olarak kullanılmaktadır. Bu özelliklerinden dolayı EEG birçok araştırmacının ilgilendiği bir araştırma konusu haline gelmiştir. EEG işaretleri ile epilepsinin otomatik tespiti için birçok örüntü tanıma sistemi geliştirilmiştir. Burada yapılan çalışmada Bonn Üniversitesi veri tabanından alınan sağlıklı ve epilepsi nöbeti geçiren deneklerden alınan A ve E işaret kümeleri kullanılarak gerçekleştirilen bir otomatik örüntü tanıma sistemi sunulmuştur. Çalışmada sunulan sistem ön işlem, özellik çıkarım ve sınıflandırma olmak üzere üç aşamadan meydana gelmiştir. Çalışmanın amacı farklı zaman ölçekli EEG işaretlerinden epilepsinin tespitini gerçekleştirmektir. Bu amaç doğrultusunda birinci aşamada, farklı zaman ölçekli EEG işaretleri elde etmek amacı ile 4096 örnek ve 23,6 saniyelik A ve E işaret kümleri, 128, 256, 512, 1024, 2048, 4096 örnek ve bunlara karşılık gelen 0.7375, 1.475, 2.95, 5.9, 11.8, 23.6 saniyelik bölütlere ayrılmıştır. Bu bölütleme işlemi ile farklı sayılarda, sürelerde ve uzunluklarda A(128), A(256), A(512), A(1024), A(2048), A(4096), E(128), E(256), E(512), E(1024), E(2048) ve E(4096) işaret kümleri elde edilmiştir. İkinci aşamada Peridogram ve Welch Güç Spektral Yoğunluk (Power Spectral Density (GSY)) kestirim yöntemleri kullanılarak EEG işaretlerinin spektral bilgisine ulaşılmıştır. Çalışmada farklı iki GSY kestirim yönteminin kullanılması ile EEG işaret bölütlerinin farklı spektral yöntemler ile davranış biçimleri incelenmeye çalışılmıştır. GSY kestiriminden sonra elde edilen işaretlerin özelliklerinin veri boyutunu azalmak için tüm EEG işaretlerine ortalama uygulanmış ve her bir bölüt 16 örnek uzunluğunda özellik vektörü ile temsil edilmiştir. Üçüncü aşamada her bir EEG bölütü için elde edilen ve 16 örnek uzunluğundaki özellik vektörleri 5-katlı çapraz doğrulama yöntemi kullanılarak K-En Yakın Komşu Algoritması (K-Nearest Neighbors Algorithm (K-NN)), Destek Vektör Makinesi (Support Vector Machine (SVM)) ve Aşırı Öğrenme Makinesi (Extreme Learning Machine (ELM)) ile sınıflandırılmıştır. Tüm sınıflandırıcılar için elde edilen başarım performansları literatürü destekler niteliktedir. Çalışmada birden fazla sınıflandırıcının kullanılması ile farklı EEG işaret bölütlerinin farklı GSY kestirimleri ile elde edilen özellik vektörlerinin farklı sınıflandırıcılardaki performansları incelenmeye çalışılmıştır. Çalışmanın sonunda sonuçlar irdelenmiş ve gelecekte yapılabilecek çalışmalara ışık tutması açısından önerilere yer verilmiştir.