Fourier transform based epileptic seizure features classification using scalp electrical measurements using KNN and SVM

İnsanlar ve bilgisayarlar arasındaki etkileşim teknolojisinde meydana gelen büyük gelişme, birçok bilimsel alanda dikkat çekici ve inanılmaz başarılara yol açmıştır. Bu güne kadar araştırmacıların çalışmaları, insan çalışmasının doğruluğuna yaklaşan sonuçları elde etmek için mümkün olan en yüksek doğruluğa ulaşmak için bu alanda devam etmektedir. Elektroensefalogram (EEG), beyin sinyallerini kaydetme, analiz etme, algılama ve sınıflandırma alanında geniş bir yer kaplayan ve birçok çalışmayı şaşırtıcı sonuçlara ulaştıran cihazlardan biridir. Bu teknolojinin beyinde meydana gelen bozuklukları izleyebildiği ve beynin sağlık durumunu inceleme yeteneği sağladığı yer. Ek olarak, makine öğrenimi, EEG sinyallerinin sınıflandırılmasında başarılı bir şekilde yer alan çeşitli tekniklere sahipti. Destek Vektör Makinesi (SVM) ve K-Nearest Neighbor (KNN), EEG verilerini sınıflandırmak için en uygun teknikler arasında burada uzmanlık alanlarımızdı. Bu tez, klinisyenlere üç düzeyde yardımcı olacak bir sistem oluşturmayı amaçlamaktadır; ilki, hastaların ezberlenmesi kolay bir dijital belleğe yol açan otomatik izlemesine yardımcı olmaktır. İkincisi, klinisyenlerin en az hata ile hedeflere ulaşmada hızlanmasına yardımcı olan kararını destekleyerek çalışma süresini azaltmak. Son olarak, hastaların ihtiyaç duyabileceği uygun ilaç ve tıbbi bakımın belirlenmesine yardımcı olmak. Dolayısıyla, bu amacı gerçekleştirmek için burada kullanılan veri seti Temple University Hospital Seizure Corpus'tan (TUH) alınmıştır [1]. TUH, en büyük açık kaynak veritabanlarından biri olarak kabul edilir ve en kapsamlıdır [2-4]. Ayrıca, en iyi sonuçları sağlamak için Dataset'e ön işleme teknikleri uygulandı. EEG sinyal işleme için sınıflandırma modellerini en iyi verilerle besleyen birçok teknik vardır. Hızlı Fourier Dönüşümü (FFT), EEG sinyallerini işlemek için özellik çıkarma yöntemlerinden biri olarak incelenmiştir. Sonuç olarak, nöbet tiplerinin sınıflandırılmasıyla ilgili sonuçlar, doğruluğun sırasıyla %99,5 ve %99 olduğu KNN ile karşılaştırıldığında SVM'nin en iyi sınıflandırma doğruluğuna sahip olduğunu gösterdi