EEG sinyallerinin bütünleşik ampirik dönüşümlü derin öğrenme yöntemleriyle analizi

Beyin hücreleri, ortalama 30.000 sinir hücresi ile etkileşim halindedir. Bu etkileşim sırasında beyinde elektriksel dalgalanmalar meydana gelir ve bu dalgalanmalar, Elektroensefalografi (EEG) cihazı ile ölçülebilir. Bu çalışmada, 18 sağlıklı bireyden alınan ve 29 farklı kanaldan elde edilen EEG verileri kullanılmıştır. Mekansal dikkat kaymasını incelemek amacıyla, literatürde de vurgulandığı üzere, dikkat kaymasının etkili olduğu PO7 ve PO8 kanalları üzerinde odaklanılmıştır. EEG kayıtları, standart olarak yerleştirilmiş 29 Ag/AgCl elektrotlar aracılığı ile kaydedilmiştir, sağ mastoid referans alınarak, 250 Hz frekansında örneklenmiştir. Öznitelik çıkarma yöntemlerinden Ampirik Dalgacık Dönüşümü (Empirical Wavelength Transform, EWT) ve Topluluk Ampirik Mod Ayrışımı (Extended Empirical Mode Decomposition, EEMD) kullanılmıştır. Bu öznitelikler, derin öğrenme ve makine öğrenmesi algoritmaları ile analiz edilmiştir. Analiz kapsamında hem kanal bazlı hem de içsel mod fonksiyonu (Intrinsic Mode Functions, IMF) bazlı karşılaştırmalar yapılmıştır. Kanal bazlı analizlerde PO7 ve PO8 kanallarına odaklanılmış ve PO7 kanalının dikkat kayması için daha başarılı sonuçlar verdiği görülmüştür. IMF bazlı analizlerde ise 6, 8, 10 ve 12 değerleri test edilmiştir. EEMD yöntemi uygulandığında ve tek boyutlu zaman sinyalleri iki boyutlu görüntülere dönüştürüldüğünde, en yüksek başarı IMF=6 değerinde elde edilmiştir. Algoritma bazlı karşılaştırmalarda ise aynı veri setleri üzerinde yapılan analizler sonucunda, makine öğrenmesi yöntemlerinden k-NN ve karar ağacı %100,0; derin öğrenme yöntemlerinden GNN algoritması ise %99,84 test başarımı ile en yüksek başarıyı sağlamıştır.