MFCC destekli makina öğrenmesi algoritmaları ile fokal/non-fokal EEG kayıtlarının sınıflandırılması

Beyinde anormal elektriksel yayılma sonucu meydana gelen ve tekrarlı nöbetler şeklinde davranış sergileyen epilepsi önemli bir nörolojik hastalık olarak kabul edilmektedir. Dünya sağlık örgütünün (WHO) raporlarına göre dünya genelinde 50 milyondan fazla kişide bu hastalık bulunmaktadır. Epilepsi hastalığına gelişkin ilaç teknolojilerine rağmen hastaların %33' ü ilaç tedavisine cevap vermemekte ve gelecekte onları hastalığın tahmin edilemez diğer boyutları beklemektedir. Epilepsi hastalarının tespitinde kullanılan EEG, beynin elektriksel aktivitesi hakkında bilgi verme kabiliyetine sahip olduğu için epileptik nöbetlerin varlığı ve diğer anomalilerin tespitinde elverişli bir standart olarak göze çarpar. Lokasyon olarak epilepsi genel anlamda 2 türe ayrılır. Fokal epilepside beynin spesifik bir bölümü hastalıktan etkilenir. Diğer taraftan non-fokal epilepside (jeneralize) nöbetlerde direkt etkilenmeseler bile beynin birçok alanı lokal anlamda etkilenir. Bunlara ek olarak EEG iktal ve inter-iktal aktivitelerin tespitinde de kullanılır. İktal EEG iğneciklerden oluşan nöbet anını, inter-iktal EEG ise nöbet arası süreyi ifade eder. EEG kayıtlarının gözlemsel olarak analizi hem zaman kaybı hem de hastalık teşhisinde insan kaynaklı hata nedenlerinden biridir. Otomatik bir sınıflandırma yaklaşımı, farklı sinyal karakteristiklerini ayırt etmede ve klinisyenlere karar aşamasında yardım etme durumunda bir ihtiyaç haline gelmiştir. Bu tez çalışmada, Mel Frekansı Kepstral katsayıları (MFCC) ve makine öğrenmesi algoritmaları ile Bern Barcelona veri seti kapsamındaki fokal/non-fokal epileptik EEG kayıtlarının sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda, MFCC destekli makine öğrenmesi algoritmaları ile Hauz Khas veri seti kapsamındaki pre-iktal / iktal / inter-iktal EEG kayıtlarının sınıflandırılması sonrası MFCC'nin zor bir veri seti üzerindeki başarı performansı teyit edilmiştir. Başarılı bulunan MFCC destekli makine öğrenmesi algoritmaları ile Bern Barcelona veri seti kapsamındaki fokal/non-fokal EEG kayıtlarının sınıflandırılması amaçlanmıştır. Çalışmada MFCC öznitelik kümelerine z-score normalizasyonu ve Temel Bileşen Analizi uygulanarak normalize edilmiş optimum alt öznitelik kümelerine ulaşılmıştır. Sınıflandırma aşamasında ise 7 farklı konvansiyonel makina öğrenmesi yönteminden faydalanılmıştır. Çalışma sonucunda iktal vs. inter-iktal, iktal vs. pre-iktal ve inter-iktal vs. pre-iktal sınıflandırmada grupların tümü Quadratik Diskriminant Analiz, Lojistik Regresyon ve Kübik DVM ile %100 oranında doğruluk, hassasiyet, özgüllük ve f1-skor performans metriklerine ulaşılmıştır. Çoklu sınıflandırma olan iktal vs. pre-iktal vs. inter-iktal aşamasında ise sadece Quadratik Diskriminant Analiz algoritması verilerin tümünü doğru ayrıştırabilmiştir. Fokal vs. Non-fokal EEG sınıflandırılmasında Quadratik Diskriminant Analiz, Lojistik Regresyon ve Kübik DVM ile tüm sınıflar doğru olarak ayrıştırılmıştır. Mevcut tez çalışması farklı nörolojik hastalıklara uygulanarak tez çalışmasında önerilen yöntemin ve belirtilen çıkarımların daha netlik kazanacağı öngörülmektedir. Klinisyenler ve hekimler mevcut metodolojiyi kendi verilerine uygulayıp daha önce elde ettikleri sonuçlarla karşılaştırabilir ve validasyon yoluna gidebilirler.