Epileptik nöbetlerin tespiti için öznitelik çıkartma ve sınıflandırma yöntemleri

Abstract

Bu çalışmada, Bonn Üniversitesi Epileptoloji Bölümü'nden alınan EEG veri seti kullanılarak, epileptik nöbet tespitine yönelik bir model sunulmuştur. Frekans analizinde daha hassas sonuçlar elde etmek için ikiye ayrılan sinyaller ile sınıflandırma algoritmalarının performansının artırılmasına katkı sağlanan çalışmada, her sınıf için oluşturulan referans sinyaller, sınıf içi tutarlılık ve anormal sinyallerin tespiti açısından önemli bir rol oynamıştır. Sinyallerin spektral özelliklerinin karşılaştırılmasının, sınıflar arasındaki farkların belirginleşmesine ve sınıflandırma performansının artmasına yardımcı olduğu modelde, öznitelik vektöründe spektral farklar, enerji, entropi ve frekans sapmaları gibi özellikler kullanılarak, özellikle Kullback-Leibler sapması ve Euclidean mesafesi gibi metrikler sayesinde sınıflar arası spektral farklılıkların tespit edilmesi sağlanmıştır. Sınıflandırma aşamasında kullanılan beş farklı sınıflandırma algoritması içinde k-EYK (k=1) ve LMA en yüksek performansı göstererek, on üç sınıflandırma görevi içerisinde yedi görevde epileptik nöbetlerin %100 doğrulukla tespit edilmesi sağlamıştır. Tüm sınıflandırma görevlerinde k-EYK ile LMA sınıflandırıcıları için bulunan ortalama %98,03 ve %98,23 doğruluk değerleri, modelin epileptik nöbet tespiti için çok başarılı ve güvenilir bir yöntem olduğunu göstermektedir.

In this study, a model for detecting epileptic seizures is presented using the EEG dataset from the Epileptology Department of the University of Bonn. To obtain more precise results in frequency analysis, the signals are split into two parts, which contributed to improving the performance of the classification algorithms. The reference signals is obtained for each class played a significant role in assessing intra-class consistency and detecting abnormal signals. The comparison of spectral features among signals is helped to highlight differences between classes and enhance classification performance. In the feature vector, spectral differences, energy, entropy, and frequency deviations are employed, with metrics such as Kullback-Leibler divergence and Euclidean distance are used to detect spectral differences between classes. Among the five different classification algorithms used, k-NN (k=1) and LMT showed the highest performance, successfully detecting epileptic seizures with 100% accuracy in seven out of thirteen classification tasks. The average accuracy values of 98.03% for kNN and 98.23% for LMT across all classification tasks demonstrate that the model is a highly effective and reliable method for detecting epileptic seizures.