Elektroensefelorafi ve elektrokardiyografi sinyalleri kullanılarak epilepsi nöbetlerinin yapay zeka ile tahmin edilmesi

Epilepsi ani gelişen nöbetlerle ortaya çıkan ve dünyada en yaygın görülen nörolojik hastalıkların başında gelmektedir. Epilepsi nöbetlerinin kontrol altına alınabilmesi için klinik olarak tercih edilen 2 yöntem; cerrahi işlemler ve farmakolojik yöntemlerdir. Fakat bu iki yöntem de epilepsi tedavisi için altın standart olarak kabul edilmemiştir. Bunun sebebi ise her hastaya uygulanabilirliklerinin ve başarı oranlarının düşük olmasıdır. Bu sebeple epilepsi nöbet tahmini algoritmalarının geliştirilebilmesi ve nöbet gerçekleşmeden belirli bir süre önce nöbetlerin tahmin edilebilmesi ile erken uyarı mekanizmalarının oluşturulması yaygın bir çalışma konusudur. Bu çalışmada erken epilepsi nöbet tahmini için Siena Scalp EEG veri tabanı kullanılmıştır. Çalışmaların tamamı MATLAB ile tamamlanmıştır. Tez çalışması kapsamında EEG ve EKG biyosinyal tabanlı makine öğrenmesi ve derin öğrenme algoritmaları geliştirilmiştir. Biyosinyallerin öncelikli olarak ön işleme basamakları tamamlanmış ve 30'ar saniyelik pencerelerle epoklanmışlardır. Makine öğrenmesi algoritmalarında EEG bazlı olarak 19 adet öznitelik ve EKG bazlı olarak ise 20 adet öznitelik ilgili biyosinyallerin zaman ve frekans bölgelerinden elde edilmiştir. En başarılı 5'er makine öğrenmesi modeli incelenmiş ve erken epilepsi nöbet tahmini ortalama ve medyan süreleri dakika cinsinden rapor edilmiştir. Epileptik nöbetlerin EEG verisi ile elde edilen makine öğrenmesi modelleri ile en yüksek başarı, %90,3 doğruluk oranı ile Efficient Linear SVM modeli tarafından elde edilmiştir. Bu model aynı zamanda %87 duyarlılık, %92 özgüllük ile epileptik nöbet öncesi dönemleri yüksek isabet oranıyla tespit etmiştir. Nöbetten ortalama 18,5 dakika önce uyarı verebilmesiyle, erken müdahale açısından da oldukça başarılı bir performans göstermiştir. EKG öznitelikleri ile gerçekleştirilen sınıflandırma deneylerinde ise en yüksek performans Lineer SVM modeli ile elde edilmiştir (Doğruluk %85,2, Duyarlılık %81, Özgüllük %88). Ayrıca bu model, nöbetten ortalama 14,8 dakika önce epileptik dönemi tahmin edebilmiştir. Medyan uyarı süresi ise 13 dakika olarak hesaplanmıştır. Derin öğrenme kısmında ise evrişimsel sinir ağları tercih edilmiştir. Bu kapsamda literatürde yaygın kullanılan mimariler ile epileptik nöbet tahmini algoritmaları tamamlanmıştır. Sinyallere ait epok bazlı spektogram görüntüleri 2 boyutlu mimarilere entegre edilmiştir. Bu kapsamda kullanılan mimariler; Resnet-18, MobileNetV2 ve EfficientNet-b0 mimarileridir. Buna ek olarak 1 boyutlu direkt zaman sinyali kapsamında Resnet-1D, MobileNet-1D ve InceptionTime mimarileri kullanılmıştır. Sonuçlar incelendiğinde ise EEG sinyalleriyle eğitilen derin öğrenme modelleri EKG modellerinden daha yüksek başarılı sonuçlar verdiğine ulaşılmıştır. En yüksek doğruluk oranı, %95,4 ile ResNet-18 (2D) mimarisi tarafından EEG spektogramları ile elde edilmiştir. 1 boyutlu zaman serisi mimarileri arasında ise en yüksek doğruluk, %93,8 ile ResNet-1D ile tekrar EEG ile elde edilmiştir. Erken tahmin süreleri incelendiğinde, 2 boyutlu modellerin 10,5 – 9,0 dakika, 1 boyutlu modellerin ise 9,2–8,6 dakika arasında değişen medyan tahmin süresi sağladığı görülmektedir. Bu süreler, epileptik nöbetten önce müdahale şansı tanıyabilecek düzeyde yeterlidir. Derin öğrenme algoritmalarının erken epilepsi tahmin sürelerinin makine öğrenmesine göre daha kısa olmasının sebebinin daha temkinli ve doğru tahmin yapma amacıyla meydana geldiği öngörülmüştür.