Makine öğrenimi ve derin öğrenme yöntemleriyle epileptik nöbet tahmini

Epilepsi, dünya üzerinde en yaygın nörolojik hastalıklardan biridir ve hastaların günlük yaşamlarını yakından etkilemektedir. Epileptik nöbetlerin önceden tahmininin yapılabilmesi sağlık çalışanları ve epilepsi hastaları için ciddi önem taşımaktadır. Epilepsinin teşhisi ve izlenmesinde genellikle kafa derisi üzerine yerleştirilen elektrotlar yardımıyla beyin aktivitesinin izlenmesini sağlayan Elektroensefalografi (EEG) yöntemi kullanılmaktadır. Bu çalışmada, Boston Çocuk Hastanesinde kayıt altına alınan EEG verilerini içeren CHB-MIT verisi kullanılarak otomatik nöbet tahminlemesi yapılmıştır. Çalışma kapsamında birincil yöntem olarak bir makine öğrenmesi türü olan SVM seçilmiş ve bununla beraber üç farklı derin öğrenme yöntemi kıyaslanmıştır. Bu yöntemlerin ilki, herhangi bir öznitelik çıkarmaya ihtiyaç duymayan Evrişimli Otokodlayıcı girdili LSTM sınıflandırıcıdır. İkincisi, EEG verisinin ön işlenmesi ile spektrogramlarının elde edilip daha sonrasında Evrişimsel sinir ağı (CNN) temelli bir sınıflandırıcı ile ele alındığı yöntemdir. Denenen son metod ise, EEG verilerine kaynak yerelleştirme uygulayarak üç boyutlu kayıtlara dönüştürmek ve bunlar üzerinden CNN ile sınıflandırma gerçekleştirmektir. Kullanılan yöntemler arasında en iyi sonuç 89.06% özgüllük, 92.58% duyarlılık ve 90.41% doğruluk ile kaynak yerelleştirme bazlı CNN Sınıflandırma kullanılarak elde edilmiştir. Çalışma kapsamında ayrıca yöntemlerin çalışma süreleri kıyaslanmış ve 74.07% doğruluk ile en düşük sonucu veren SVM'in diğer yöntemlere kıyasla ciddi oranda hızlı çalıştığı görülmüştür.