EEG sinyallerinde gürültünün temizlenmesi için derin öğrenme algoritmalarının kullanılması

Beyin anormalliklerinin gelişimi EEG kullanılarak izlenir. Ayrıca şizofreni hastaları gibi beyinle ilgili problemlerle uğraşan bireyleri değerlendirmek için de kullanılır. EEG kayıtları, beyin sinyallerinin doğru analizinde problem yaratan çeşitli gürültü türleri ile kirlenir. Hastaların EEG kayıtları beyin ile ilgili her türlü hastalığın analizi için çok önemli olduğu için sinyallerden bu gürültülerin çıkarılması gerekir. EEG gürültü giderme, beyin aktivitesi hakkında doğru bilgi almak ve yorumlamada hatalardan kaçınmak için fizyolojik paraziti azaltmayı amaçlar. Gürültü azaltma ve iptal etme, net ve kullanışlı bir sinyal sağlamak için önemlidir. EEG gibi bazı sinyaller durağan olmadığından, gürültünün istatistiksel özelliğini anlamak zordur. Önceki yıllarda, EEG sinyallerindeki gürültüleri gidermek için çok sayıda teknik önerildi. Ancak, optimize edilmiş sonuçlar henüz elde edilmedi. Bu tezde, hibrit derin öğrenme algoritmaları kullanarak gürültü giderme sonuçlarını iyileştirmek için yeni bir perspektif oluşturulacaktır. Otomatik Kodlayıcılar (AE'ler), Evrişimli Sinir Ağları (CNN) ve Uzun Kısa Süreli Bellek Ağları (LSTM) gibi yöntemler kullanılarak EEG sinyallerinde gürültü giderme gerçekleştirilecektir. CNN-AE'ler ve LSTM-AE'ler olmak üzere iki hibrit model oluşturularak farklı sayıda katmanlar denenerek elde edilen EEG Sinyal-Gürültü Oranı (SNR) değerleri Temel Bileşenler Analizi(PCA) yöntemi ile karşılaştırılmıştır. Bu çalışmanın sonunda hibrit derin öğrenme modellerinin uygun parametreler kullanılarak eğitilmesi ile daha iyi sonuçlar elde edilmiştir.