Tez No	İndirme	Tez Künye	Durumu
619741		Eeg işaretlerinde evrişimli sinir ağları ile epileptik nöbet tahmini / Epileptic seizure prediction in eeg signals using convolutional neural networks Yazar:AHMET REMZİ ÖZCAN Danışman: PROF. DR. SARP ERTÜRK Yer Bilgisi: Kocaeli Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:EEG = ; Epilepsi = Epilepsy	Onaylandı Doktora Türkçe 2020 115 s.
Epilepsi tekrarlı ve ani gelişen nöbetlerle karakterize edilen, toplumda her 200 kişiden birini etkileyen, yaygın görülen bir nörolojik hastalıktır. Epilepsi hastalarının %30'una epilepsi ilaçları tedavi edici etki sağlamamakta, bir çoğu için ise cerrahi operasyon seçeneği mümkün olamamaktadır. Nöbet tahmini için yüksek başarımlı yöntemlerin geliştirilmesi, bu gruba giren hastalar için yaklaşmakta olan nöbetin öngörülmesini ve zararlarının en aza indirilmesini sağlayacaktır. Epileptik nöbetler, epileptik ağlarda zamansal ve uzamsal olarak gelişen bir sürecin sonucu olarak ortaya çıkmaktadır. Bu tez çalışmasının amacı, çok kanallı EEG sinyallerinden elde edilen özniteliklerdeki uzamsal ve zamansal korelasyonun değerlendirilerek, hastaya özgü, genelleştirilebilir bir nöbet tahmin yöntemi geliştirmektir. EEG sinyallerinin frekans ve zaman bölgesi özelliklerini ortaya çıkarmak amacıyla spektral bant gücü, istatistiksel moment ve Hjorth parametreleri öznitelikleri kullanılmıştır. Elde edilen öznitelikler, EEG kanallarının topolojisi korunarak, çok renkli görüntü dizisine dönüştürülmüş ve bir evrişimli sinir ağına girdi olarak verilmiştir. Oluşturulan modellerin eğitimi sırasında farklı epileptik evre süreleri denenmiş, bu sürelerin nöbet tahmin başarımı üzerindeki etkileri araştırılmıştır. Önerilen 3B CNN modeli, MIT Physionet kafa derisi EEG veri setinden 16 hasta ile yapılan testlerde, %85,7 duyarlılığa ve 0,096/saat yanlış tahmin oranına, %10,5 uyarıda geçen zaman oranı ile ulaşmıştır. Sonuçlar, önerilen yöntemin Poisson bazlı bir şans tahmincisine üstünlüğünün, 0,05 anlamlılık düzeyinde, hastaların %93,7 'si için istatistiksel olarak anlamlı olduğunu ortaya koymuştur. Farklı zamanlama kısıtlamaları ile yapılan denemelerde, epileptik evre uzunluklarının nöbet performansını etkileyen önemli bir faktör olduğu sonucuna ulaşılmıştır. Bu tez çalışmasında, hastaya özel mühendislik gerektirmeyen ve herhangi bir kafa derisi EEG veri setine genelleştirilebilen, hasta bazlı bir nöbet tahmin yöntemi sunulmuştur.
Epilepsy is a common neurological disorder characterized by recurrent and sudden seizures affecting one in every 200 people in the community. Epilepsy medications do not provide therapeutic effect in 30% of epilepsy patients, and surgical options are not possible for most of them. The development of high-performance methods for seizure prediction will ensure that the upcoming seizure is predicted for patients in this group, and that its harm is minimized. Epileptic seizures result from a process in epileptic networks that develops over time and space. The aim of this thesis is to develop a patient-specific, generalizable seizure prediction method by evaluating the spatial and temporal correlation of the features obtained from multichannel EEG signals. Spectral band power, statistical moment and Hjorth parameters were used to reveal the frequency and time domain characteristics of EEG signals. The obtained features were transformed into a sequence of multi-color images according to the topology of the EEG channels and given as input to a convolutional neural network. During the training of the models, different epileptic stage lengths were tested and their effects on seizure prediction performance were investigated. The proposed 3D CNN model achieves a sensitivity of 85.7%, a false prediction rate of 0.096/h, and a proportion of time in warning of 10.5%, in the tests with 16 patients from the MIT Physionet scalp EEG dataset. The results showed that the superiority of the proposed method to a Poisson-based chance predictor was statistically significant for 93.7% of the patients, at significance level of 0.05. Experiments with various timing constraints have shown that epileptic stage lengths are an important factor affecting seizure performance. In this thesis, a patient-based seizure prediction method that can be generalized to any scalp EEG dataset without the need for subject-specific engineering was presented.