Derin sinir ağlarıyla elektroensefalografi sinyalleri sınıflandırılarak yenidoğanlarda epilepsi tanı yöntemi geliştirilmesi

Bu tez, yenidoğanlarda nöbet tespit etme sorununu ele almaktadır. Bu tez çalışmasında Alexnet, resnet18, googlenet, densenet ve resnet50 dahil olmak üzere önceden eğitilmiş derin evrişim sinir ağlarını (p-DCNN) mantıklı bir şekilde yeniden yapılandıran bir transfer öğrenme tekniği çalışılmıştır. Bu ağlar, renkli görüntülere dönüştürülen çok kanallı elektroensefalografi (EEG) sinyallerinden yenidoğan nöbeti tespit etmek için kullanılmıştır. Bu sorunu çözmek için, transfer öğrenme tabanlı ağlar yerine doğrudan bir evrişim sinir ağı (CNN) gibi klasik derin bir sinir ağı yapısı (DNN) kullanılabilir. Ancak, bir DNN çok fazla eğitim verisine ihtiyaç duymasının yanında, çok fazla eğitim süresi ve yüksek performanslı hesaplama özelliğine sahip bir bilgisayar gerektirir. DNN'de ayrıca istenen sınıflandırma başarısını elde etmek için ayarlanması gereken kullanıcı tarafından belirlenmesi gerekli olan çok sayıda parametre vardır. Bu dezavantajları önlemek için, yenidoğan nöbet tespit problemini çözmek amacıyla bir transfer öğrenme tekniği önerilmiştir. Simülasyonların sonuçları ve istatistiksel analizler, nöbet tespiti için kullanılabilecek bir transfer öğrenme tekniğinin etkinliğini göstermiştir.