|
Epilepsi, beyin normal aktivitesinin, sinir hücrelerinde geçici olarak meydana gelen anormal elektriksel aktivite sonucu bozulması ile oluşan klinik bir durumdur. Dünyada yaklaşık 40 milyon epilepsi hastası, ülkemizde ise 700 bin civarında epilepsi hastası olduğu bilinmektedir. Bugüne kadar epilepsi hastalığının tam olarak bir sebebi açıklanamamıştır. Uluslararası Epilepsi ile Savaş Derneği (International League Against Epilepsy – ILAE) epileptik nöbet tiplerini sistematik bir şekilde sınıflandırmıştır. ILAE tarafından tanımlanmış nöbet tiplerine rağmen her hastanın geçirdiği nöbet kendisine özgü olduğundan farklılıklar gösterebilmektedir. Bu durum bazı hastalar için epilepsi tanısının konulmasını güçleştirmektedir. Bazı bireylerde başka bir bozukluğun yol açtığı belirtiler yanlışlıkla epilepsi tanısı olarak tanımlanabilmektedir. Bu yüzden, epilepsi hastalığının tanımlanmasında mühendislik ve tıp bilimleri arasında etkileşimli çalışmalar son yıllarda uygulama alanı bulmuştur. Epilepsi hastalığının tanısı sürecinde doktora yardımcı makine öğrenmesi yöntemleri ile geliştirilmiş çalışmaların artış göstermesi iki bilim arasındaki çalışmaların ilgi görmesine neden olmuştur. Özellik mühendisliği yöntemleri kullanılarak geliştirilen matematiksel yöntemler yaklaşımları ile epilepsi hastalığının sınıflandırılması klinik yöntemlere güçlü bir alternatif oluşturmuş ve literatürde daha iyi sonuçların elde edildiği yeni çalışmalara ihtiyaç duyulmuştur. Bugüne kadar yapılmış çalışmalarda epilepsi hastalığının tanımlanmasında hastaya ait sadece elektroensephalogram (EEG) verisi ile önemli diğer verilerin; demografik özellikler, nörolojik muayene sırasında doktor epikriz rapor verisinden elde edilen klinik bulgular, laboratuvar bulgularından elde edilen kan değerleri, Manyetik Rezonans Görüntüleme (MRG) radyoloji raporlarından elde edilen verilerin bir arada kullanılarak yapıldığı kapsamlı bir çalışmaya rastlanılmamıştır. Bu tez çalışmasında, epilepsi hastalığının tanımlanmasında 18 yaş üstü erişkin bireylere ait (i) demografik verilerinden hasta ile ilgili özellikler çıkarılmış, (ii) doktor epikriz rapor verisinden hasta şikayetleri çıkarılmış, (iii) laboratuvar bulgularından kan değerleri elde edilmiş, (iv) Sonlu Dürtü Yanıtı filtreme ve Bağımsız Bileşen Analizi yöntemleri kullanılarak EEG verisine ait anlamlı özellikler çıkarılmış, (v) doğal dil işleme tekniklerinden ZipF yasası tekniği ile MRG rapor verisine ait anlamlı özellikler çıkarılmıştır. (i – v) adımları ile epilepsi hastalığının ayırıcı tanısında yararlı olabilecek tüm parametreler bir arada kullanılarak hastalıkla ilgili anlamlı özellikler çıkarılarak, hastalığa özgü ülkemizdeki epilepsi hastalarına ait emsal niteliğinde gerçek bir veri seti oluşturulmuştur. Ayrıca, hastalıkla ilgili anlamlı özelliklerin çıkarılması sayesinde hastalığın erken dönemde teşhisi için koruyucu tedaviye yansıyacak adımların atılması ile doktora yardımcı bir sistem oluşturulması hedeflenmiştir. Oluşturulan veri setindeki veriler kullanılarak epilepsi ve sağlıklı bireylere ait verilerin etkin olarak sınıflandırılması için çok modlu karar tabanlı veri füzyonu tekniği önerilmiştir. Çok modlu karar tabanlı veri füzyonu tekniği ile modelleme başarımı %93,75 doğruluk oranı olarak elde edilmiştir. Tekil modelleme tekniği ile sınıflandırılan epilepsi veri seti için ID3, DVM, ve FFBP yöntemlerinden sınıflandırmada en başarılı tahminleme doğruluğunu %83,33 olarak hesaplamıştır. Bu tezde önerilen çok modlu karar tabanlı veri füzyonu tekniği tekil modelleme tekniğinden %10,42 oranında daha başarılı olmuştur. Bu tez çalışmasında epilepsi tanısında optimum özellik seti oluşturularak sınıflandırma doğruluğu başarılı en iyi füzyon yöntemi araştırılmıştır.
|
|
Epilepsy is a clinical condition that occurs when the normal activity of the brain is disrupted as a result of the abnormal electrical activity, which happens temporarily in the nerve cells. It is known that there are approximately 40 million epilepsy patients in the world and around 700 thousand epilepsy patients in our country. Until now, no exact cause of epilepsy disease has been explained. The International League Against Epilepsy (ILAE) systematically classified epileptic seizure types. Despite the types of seizures defined by the ILAE, each patient's seizure is unique, so they may differ. This situation makes it difficult to diagnose epilepsy for some patients. In some individuals, symptoms caused by another disorder may be mistakenly defined as epilepsy. Therefore, interactive studies between engineering and medical sciences have been applied in the definition of epilepsy disease in recent years. The increase in studies developed by physician assistant machine learning methods during the diagnosis of epilepsy has attracted attention between the two sciences. Classification epilepsy with the mathematical methods approaches have been developed by using feature engineering methods, has created a strong alternative to clinical methods, and new studies with better results are needed in the literature. In the studies conducted to date, only electroencephalogram (EEG) data of the patient and other important data which are demographic characteristics, clinical findings obtained from doctor epicrisis report data during the neurological examination, blood values obtained from laboratory findings, Magnetic Resonance Imaging (MRI) radiology reports. In this thesis, for the diagnosis of epilepsy, adult individuals over the age of 18 (i) patient-related characteristics have been extracted from demographic data, (ii) patient complaints have been extracted from doctor epicrisis report data, (iii) blood values have been obtained from laboratory findings, (iv) the meaningful EEG features have been extracted by using the Finite Impulse Response filtering and Independent Component Analysis methods, (v) the significant features of the MRI report data have been extracted by the ZipF law technique which is one of the natural language processing techniques. By using all the parameters that may be useful in the differential diagnosis of epilepsy with steps (i – v) together, the significant characteristics related to the disease have been extracted, and a real data set has been created for the epilepsy patients in our country. In addition, it is aimed to create a system that helps doctors by taking the steps that will be reflected in preventive treatment for early diagnosis of the disease by removing the significant characteristics of the disease. Using the data in the data set created, it has been proposed multi-mode decision–based data fusion technique to effectively classify data belonging to epilepsy individuals and healthy individuals. Modeling performance has been achieved as 93.75% accuracy rate with the multimodal decision–based data fusion technique. With the singular classification technique applied to the epilepsy data set, the prediction success has been obtained with the ID3, DVM, and FFBP methods with an accuracy rate of 83.33%. According to the results of the thesis, it has been seen that the classification accuracy of the multimodal decision–based classification technique was 10.42% more successful than the classification accuracy of the singular classification technique. In this thesis, the best fusion method with successful classification accuracy has been investigated by generating the optimum feature set in the diagnosis of epilepsy. |
