Abstract in Turkish
Beynin
elektriksel aktivitesindeki anormal değişimden kaynaklanan epilepsi
hastalığının teşhisinde EEG işaretlerinin analizi ve sınıflandırılması oldukça
önemlidir. Bu çalışmada durağan olmayan EEG işaretlerinin spektral analizinde
başarılı sonuçlar elde ettiği bilinen ayrık dalgacık dönüşümü kullanılarak
dalgacık katsayılar elde edilmiştir. Bu katsayılara ait en küçük değer, en
büyük değer, standart sapma ve ortalamadan oluşan özellik vektörleri
belirlenmiş ve model oluşturmadan sınıflandırma işlemi yaptığı için kısa sürede
sonuç elde edebilen k en yakın komşuluk (kNN) algoritması ile de sınıflandırma
işlemi gerçekleştirilmiştir. Yöntem 60 dakikalık 256 Hz örnekleme frekansına
sahip nöbet ve nöbet dışı veriler ile test edilmiştir. Bu verilerin uzman
doktor tarafından işaretlenmiş segmentlerinden 110 saniyelik nöbet verisi ve
110 saniyelik nöbet dışı veri %50 oranında örtüşme ile alınmış ve analiz için
kullanılacak veri setleri oluşturulmuştur. İndirgenmiş vektörlerin kNN
algoritması ile sınıflandırılması sonucunda nöbet ve nöbet dışı verinin doğru sınıflandırma
başarısı % 83'e ulaşmıştır.
elektriksel aktivitesindeki anormal değişimden kaynaklanan epilepsi
hastalığının teşhisinde EEG işaretlerinin analizi ve sınıflandırılması oldukça
önemlidir. Bu çalışmada durağan olmayan EEG işaretlerinin spektral analizinde
başarılı sonuçlar elde ettiği bilinen ayrık dalgacık dönüşümü kullanılarak
dalgacık katsayılar elde edilmiştir. Bu katsayılara ait en küçük değer, en
büyük değer, standart sapma ve ortalamadan oluşan özellik vektörleri
belirlenmiş ve model oluşturmadan sınıflandırma işlemi yaptığı için kısa sürede
sonuç elde edebilen k en yakın komşuluk (kNN) algoritması ile de sınıflandırma
işlemi gerçekleştirilmiştir. Yöntem 60 dakikalık 256 Hz örnekleme frekansına
sahip nöbet ve nöbet dışı veriler ile test edilmiştir. Bu verilerin uzman
doktor tarafından işaretlenmiş segmentlerinden 110 saniyelik nöbet verisi ve
110 saniyelik nöbet dışı veri %50 oranında örtüşme ile alınmış ve analiz için
kullanılacak veri setleri oluşturulmuştur. İndirgenmiş vektörlerin kNN
algoritması ile sınıflandırılması sonucunda nöbet ve nöbet dışı verinin doğru sınıflandırma
başarısı % 83'e ulaşmıştır.
Keywords in Turkish:
EEGAyrık dalgacık dönüşümükNN
Abstract in English
Analysis and
classification of EEG signals is very important in the diagnosis of seizure
which result from abnormal turnover in brain electrical activity. In this
study, discrete wavelet coefficients are obtained by using wavelet transform that
is known to achieve successful results in spectral analysis of the non-stationary
EEG signals. The feature vectors are determined consisting of minimum value,
maximum value, mean and standard deviation belongs to these coefficients and
classification is also performed with kNN algorithm which may obtain the result
in a short time because of that a model isn't set for classification. The metod
is tested with seizure and non-seizure data which are 60 minutes and have 256Hz
sampling frequency. The seizure data with
and non-seizure data with 110 seconds are taken from the marked segments with
50% overlap of these data by specialist and data sets are formed to be used for
analysis. As a result of the classification of the reduced vectors with kNN
algorithm, the success of correct classification of the seizure and non-seizure
data are 83%.
classification of EEG signals is very important in the diagnosis of seizure
which result from abnormal turnover in brain electrical activity. In this
study, discrete wavelet coefficients are obtained by using wavelet transform that
is known to achieve successful results in spectral analysis of the non-stationary
EEG signals. The feature vectors are determined consisting of minimum value,
maximum value, mean and standard deviation belongs to these coefficients and
classification is also performed with kNN algorithm which may obtain the result
in a short time because of that a model isn't set for classification. The metod
is tested with seizure and non-seizure data which are 60 minutes and have 256Hz
sampling frequency. The seizure data with
and non-seizure data with 110 seconds are taken from the marked segments with
50% overlap of these data by specialist and data sets are formed to be used for
analysis. As a result of the classification of the reduced vectors with kNN
algorithm, the success of correct classification of the seizure and non-seizure
data are 83%.
Keywords in English:
EEGDiscrete wavelet transformkNN