Derin öğrenme yoluyla EEG işaretlerinden eğileptik nöbet tahmini

Epilepsi, antik çağlara kadar uzanan kronik bir hastalıktır ve insanları sadece nöbetler sırasında etkilemektedir. Nöbet başlangıcı ve bitiş zamanı bilinmediği için hastaların yaşam standartlarını ciddi şekilde kötü etkilemektedir. Eğer nöbet başlangıcı yeterli bir süre önceden tahmin edilebilirse, ilaçla tedavi olabilen hastaların nöbetlerini ilaçlarla kriz öncesi önleyebilir veya ilaçlarla nöbeti engellenemeyen hastaların ise nöbeti bitene kadar güvenli bir bölgeye geçme fırsatı sağlanabilir. Bu tezde, epileptik nöbetleri önceden tahmin etme amacıyla, nöbetin meydana gelmesinden yaklaşık olarak 30-60 dakika önce hastaların gerekli uyarıları alabilmesi için zaman yaratılması hedeflenmiştir. Bu bağlamda, 24 pediatrik hastanın elektroensefalografi (EEG) kayıtlarını içeren bir açık erişim veri seti kullanılmıştır. Kaydedilmiş EEG verileri kullanılarak frekans ve zaman temelli öznitelik çıkarımları uygulanmıştır. Frekans ve zaman temelli yöntemler sırasıyla dalgacık dönüşümü ve doğrusal olmayan enerji metotları kullanılarak gerçekleştirilmiştir. Bu yöntemler kullanılarak iktal (nöbet), preiktal (nöbet öncesi) ve interiktal (nöbetler arası) olarak adlandırılan 3 sınıflı EEG öznitelikleri elde edilerek derin öğrenme ve makine öğrenmesi sınıflandırıcıları uygulanmıştır. Derin öğrenme algoritmalarından oluşturulan 1-boyutlu evrişimli sinir ağı (1D-CNN) modeli ve makine öğrenimi algoritmalarından yaygın olarak kullanılan k-en yakın komşu (k-NN), rastgele orman algoritması (RF), destek vektör makinesi (SVM) ve C4.5 algoritması (J48), 3 sınıflı çıktıların sınıflandırma performanslarını ölçmek için kullanılmıştır. Çalışmada farklı özniteliklerin birbiriyle kıyaslanmasının yanı sıra makine öğrenimi ve derin öğrenme sınıflandırıcıları da birbirleriyle karşılaştırmış ve en iyi sonuçlar gözlemlenmiştir. Sınıflandırma sonuçlarına göre, dalgacık özniteliklerine dayalı 1D-CNN sınıflandırıcısıyla %95.30'luk en yüksek ortalama doğruluk elde edilirken, doğrusal olmayan enerji özniteliklerini kullanan SVM sınıflandırıcısıyla %96.60'luk en yüksek ortalama doğruluk sağlanmıştır.