Dalgacık dönüşümü ve destek vektör makineleri kullanarak epilepsi nöbeti tanıma

Tıp bilim sektöründe araştırmacıların odak noktası, beyindeki anormalliklerin tıbbi tanısıdır. Toplam nüfusun yaklaşık % 1inin yaşadığı "epilepsi" en yaygın beyin bozukluğudur. Elektroensefalogram "EEG", beyin durumunu yansıtan beyin faaliyetlerini ölçmek için kullanılan bir cihazdır. EEG sinyali, beyin elektriksel eylemlerinin toplanması ve beyin durumları hakkında birçok bilgiye sahip olup, aynı zamanda birçok epilepsi saptama yönteminde de uygulanmaktadır. Epileptik nöbetler beynin anormal elektriksel aktivitesi ile ayırt edilir. EEG, sinyal morfolojisinde değişiklikler yapan nöbetleri kaydeder. Bununla birlikte, tüm bu sinyal özellikleri, hastalar arasında aynı hastada farklı nöbetler arasında farklılık gösterir. Epilepsi antiepileptik ilaçlarla başarılı olmakla birlikte bazı nihai durumlarda ameliyat gerekebilir. Yayılmayan yüzey elektrot EEG ölçümü başlangıç nöbetinin tahminini verir ancak epileptojenik bölgenin doğru lokalizasyonu için daha yaygın intrakranyal elektrokardiyogram (ECoG) istenir. Metodoloji Beyin düşüncelerini kullanarak dış çevreyle yazışmalara giden yolu genişleten BCI Beyin Bilgisayar Arayüzü. Bu metodolojinin başarısı, her aşamadaki beyin sinyalini işlemek için kullanılan tekniklerin seçimine dayanır; BCI teknikleri çerçevesi temel dört aşamadan oluşur. Bunlar çoğunlukla Sinyal Edinimi, Bilgisayarla Etkileşim, Sinyal Sınıflandırması ve Sinyal Önişleme işlemidir. Beyin sinyallerinin güvenceye alınması, Electro Encephalograph (EEG) gibi farklı yaygın olmayan teknikler kullanılarak gerçekleştirilir. Magneto Ensefalografi (MEG), Yakın Kızıl Ötesi Spektroskopi NIRS ve fonksiyonel Manyetik Rezonans Görüntüleme fMRI. Sinyal alım aşamasından sonra sinyalleri önceden işleme tabi tutmuştur; Sinyal Geliştirme olarak da adlandırılabilir. Çoğunlukla, kazanılan beyin sinyalleri gürültü ve yapay dokular tarafından kirlenir. Kalp atışı (EKG), göz kırpmaları ve göz hareketleri (EOG) yapay dokulardır. Ayrıca bu kas hareketleri ve elektrik hattı arabulucuları da beyin sinyalleriyle harmanlanır. Sinyal artış aşamasında sinirsiz sinyaller elde ettikten sonra beyin sinyallerindeki temel özellikler çıkartıldı. Sinyaller, özellik çıkarımı yapıldıktan sonra birkaç sınıfa ayrılır. Elektroensefalografiyi sınıflandıran sinyaller, beyindeki anormal elektriksel aktiviteyi tanımlamak için devam eden EEG'de önemli bir adımdır. Bu tezde, beyindeki nöronal aktivite üzerinde, gürültüyü filtrelemek için kullanılan Maksimum çakışma ayrık dalgacık analizi ve sinyallerin öznitelik çıkarma ve Destek Vektör Makinesi'nin Elektroensefalografi (EEG) sinyallerinin sınıflandırılması için kullandığı en yaygın genel Makine Öğrenme tekniklerine dayanan iki BCI sistemi sunmaktayız. Diğer sistem ise EEG sinyallerinden epilepsi nöbetlerini belirleyebilen Maximal overlap ayrı dalgacık analizi, birincil bileşen analizi ve Destek Vektör Makinesi üzerine kuruludur. Bu çalışma, normal kişiyi ve anormal "epileptik" hastaları EEG kullanarak araştıran bir parçadır; verilerin boyutsallığının azaltılması olarak PCA'nın önemi açıklanmaktadır.