Electroencephalography (EEG) sinyal sınıflandırılmasında sinir-evrimi yaklaşımı

Elektroensefalografi (EEG), beyindeki nöronların elektriksel uyarılarını ölçmede ve bu sinyalleri kaydetmede kullanılan bir yöntemdir. Bu sinyaller beyin fonksiyonlarının incelenmesi, epilepsi gibi nörolojik rahatsızlıkların teşhisi, nöropsikolojik rahatsızlıkların sınıflandırılması ve uyku bozukluklarının değerlendirilmesi gibi alanlarda kullanılır. Sağlık alanında sıkça kullanılmakta olan EEG sinyalleri oldukça karmaşık ve çok kaynaklı elektrik sinyalleridir. Anlamlı bir sınıflandırma çabası insan emeğini azalttığı gibi insan hatasını da azaltarak sağlık alanında avantaj sağlar ve iş gücünün verimli kullanımına destek olur. Klinik karar destek sistemleri ile doğru bir şekilde sınıflandırılan EEG sinyalleri, doktorların daha hızlı ve doğru teşhis koymalarına yardımcı olur, bu da uygulamaların doğruluğunu ve güvenilirliğini artırır. Bu çalışmada, epilepsi nöbetlerine ait sinyalleri de içeren CHB-MIT Scalp EEG veri seti kullanılarak EEG sinyallerinin sınıflandırılması ve epilepsi nöbeti tespiti gerçekleştirilmiştir. Çeşitli veri ön işleme yöntemleri kullanılarak veri seti üzerinde varyasyonlar oluşturulmuş ve benzetim çalışmaları iki senaryo üzerinden ele alınmıştır. Bu tezde, EEG sinyallerini sınıflandırma amacıyla, genellikle derin öğrenme algoritmaları gibi geleneksel yöntemlerle optimize edilmesi zor olan karmaşık yapay sinir ağlarını optimize etmek için kullanılan sinir evrimi yaklaşımı tercih edilmiştir. Bu alandaki en popüler yaklaşımlardan biri olan NEAT (Neuro Evolution of Augmented Topologies) algoritması ile elde edilen benzetim sonuçları diğer popüler derin öğrenme modellerinden olan evrişimli sinir ağları (Convolutional Neural Network-CNN) sonuçları ile karşılaştırılmıştır. Sonuçlar tam anlamıyla iki modelin performans karşılaştırmaları şeklinde düşünülmemelidir. Kullanılan her iki yapay zeka yöntemi farklı veri ön işleme ve modelleme yaklaşımları açısından değerlendirilmiştir. Elde edilen sonuçlarda, sinir evrimi yaklaşımının CNN modeline kıyasla daha düşük değerlendirme metriklerine sahip olduğu gözlenmiştir. Literatürde ilk kez karmaşık ve çok kaynaklı EEG sinyallerinin sınıflandırılmasında kullanılan sinir evrimi yaklaşımının, en az CNN modelleri kadar başarılı olduğu ancak, daha yoğun hiperparametre optimizasyonu çalışmaları ile daha yüksek başarım oranlarına çıkarılabileceği söylenebilir.