Tez No	İndirme	Tez Künye	Durumu
355470		EEG sinyallerinden anomali tespiti / Anomaly detection in EEG signals Yazar:MUSA PEKER Danışman: YRD. DOÇ. DR. BAHA ŞEN Yer Bilgisi: Karabük Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Biyomedikal işaretler = Biomedical signals ; Paralel algoritmalar = Parallel algorithms	Onaylandı Doktora Türkçe 2014 175 s.
EEG sinyalleri, beyin hücrelerinin toplu aktivitesini yansıtan sinyallerdir. Genelde EEG dört ana dalga şeklinden oluşmaktadır. Bunlar; alfa dalgası (8-13 Hz), beta dalgası (13-30 Hz), delta dalgası (0-4 Hz) ve teta dalgası (4-7 Hz)'dır. EEG sinyalindeki bu dalgalar, herhangi bir pataloji durumunda değişim gösterirler. Durağan olmayan EEG sinyallerinde patalojik bir durumda, sinyaldeki anlık değişimi gösteren bileşenlerin tanımlanabilmesi güçleşmektedir. Bu nedenle, karmaşık EEG verilerinin yorumlanabilmesi zor bir işlemdir. Son yıllarda, araştırmacılar uzman doktorlara yardımcı olacak sistemler üzerinde yoğunlaşmaktadır. Bu çalışmada EEG sinyallerinden anomali tespitine yönelik olarak başarı ve hız performansına dayalı yeni yöntemler geliştirilmiştir. Önerilen metotlar epilepsi hastalığı, anestezi derinliği ölçümü ve uyku verileri olmak üzere 3 farklı veri grubuna uygulanmıştır. Birinci aşamada öznitelik seçme tabanlı bir yöntem önerilmiştir. Biyomedikal sinyal işlemede önemli sorunlardan birisi de verileri temsil edecek özniteliklerin tespitidir. Verileri temsil edecek özniteliklerin tespiti için literatürde ortaya konmuş birçok algoritma vardır. Fakat bu algoritmalardan hangilerinin problem için etkili öznitelikleri belirleyeceği çoğu zaman deneme-yanılma yöntemi ile bulunmaktadır. Bu işlemi otomatik gerçekleştirecek bir sistem araştırmacıların işini büyük bir ölçüde kolaylaştıracaktır. Bunu gerçekleştirmek için bu çalışmada farklı EEG verilerine yönelik olarak bu verilerin en iyi şekilde temsil edileceği bir yöntem önerilmektedir. Sinyalleri temsil edecek özniteliklerin tespitinden sonra etkili özniteliklerin tespiti için öznitelik seçme algoritmaları uygulanmıştır. Son aşamada tespit edilen etkili özniteliklerle beraber yüksek sınıflandırma doğruluğu veren sınıflandırma algoritmasının tespiti gerçekleştirilmiştir. İkinci aşamada EEG sinyallerinin sınıflandırılması için karmaşık sınıflayıcı tabanlı yeni bir metot sunulmaktadır. Öncelikle farklı seviyelerde ikili ağaç karmaşık dalgacık dönüşümü (IAKDD) ile EEG verilerine ait özellikler çıkartılarak boyut azaltımı yapılmıştır. Sonraki aşamada bu özellik vektörleri kullanılarak istatistik tabanlı beş özellik (maksimum değer, minimum değer, ortalama değer, standart sapma, ortanca değer) elde edilerek kompleks değerli sinir ağına (KDYSA) giriş olarak sunulmuştur. Karmaşık değerli yapay sinir ağında Taguchi yöntemiyle parametre optimizasyonu yapılarak daha kararlı bir modelin oluşturulması hedeflenmiştir. Üçüncü aşamada EEG verilerinin sınıflandırılmasına yönelik paralel hesaplama tabanlı bir yaklaşım sunulmaktadır. Bunun için paralel programlama ile yüksek performanslı uygulamalar geliştirmeyi sağlayan CUDA kütüphanesinden yararlanılmıştır. Sonuç olarak hem başarı performansı hem de hız performansı açısından yüksek başarı oranları elde edilmiştir.
EEG signals are signals that reflecting collective activity of brain cells. Generally, EEG comprises 4 main wave types. These are alpha waves (8-13 Hz), beta waves (13-30 Hz), delta waves (0-4 Hz), and theta waves (4-7 Hz). In EEG signals, these wave types show changes in pathological situations. It may be difficult to identify the components that show momentary changes in the EEG signal in pathological situations. Therefore, the interpretation of complex EEG data is a difficult process. In recent years, researchers have focused on the systems that will help to doctors. In this study, new methods have been developed based on success and speed performance in order to identify anomalies from EEG signals. Recommended methods applied to 3 different data group including epilepsy, depth of anesthesia measurement and sleep data. In the first phase, a feature selection based method was proposed. One of the most important problems in classifying EEG signals is the identification of the features that will represent the data.Various algorithms used for the identification of features represent data, but most of the time, determining which algorithms identify the effective features for the specified problem depends on the trial and error method. A system that will automatically generate the identification of effective features will facilitate the works of the researchers to a great extent. A current study seeks to determine a method that will ensure the identification of features that can best represent data. Previous studies in literature were researched with this purpose in mind and 41 features that have previously been used in the classification of sleep stage were extracted. Feature selection algorithms are used to identify the features that provide the highest effect. Identification of the classification algorithm that provided the highest accuracy rates was possible with the features selected in the last stage. In the second phase, complex classifier based a new method was presented for the classification of EEG signals. To carry out the study, first the features of EEG data are extracted using a dual-tree complex wavelet transformation (DTCWT) at different levels of granularity to obtain size reduction. In subsequent phases, five features (based on statistical measurements-maximum value, minimum value, average value, standard deviation, median value) are obtained by using the feature vectors, and are presented as the input dimension to the complex-valued neural networks (CVANN). Parameter optimization is undertaken in the CVANN using the Taguchi method to ensure a consistent model. In the third step to accelerate the classification of EEG data, parallel computing based approach is presented. For doing this, parallel programming and CUDA library, which provides high performance applications, were used. Finally, high success rates were obtained in terms of both success performance and speed performance.