Tez No |
İndirme |
Tez Künye |
Durumu |
636591
|
|
Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi / DCT based analysis of 1D and 2D biomedical signal
Yazar:FATMA DEMİREZEN YAĞMUR
Danışman: PROF. DR. AHMET SERTBAŞ
Yer Bilgisi: İstanbul Üniversitesi-Cerrahpaşa / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
Dizin:EEG = ; Epilepsi = Epilepsy
|
Onaylandı
Doktora
Türkçe
2020
198 s.
|
|
Bu çalışmada, AKD (Ayrık Kosinüs Dönüşümü-DCT) özellik çıkarım yöntemine dayanan 1
boyutlu (1B) ve 2 boyutlu (2B) biyomedikal işaret analizleri yapılarak yüksek doğruluklu
epilepsi hastalığı teşhisi gerçeklenmiştir. Epilepsi hastalığı teşhisi amacıyla 1 boyutlu işaret
analizi için EEG (Elektroensefalografi) verileri, 2 boyutlu işaret analizi için MRG (Magnetik
Resonans Görüntüleme-MRI) verileri kullanılmıştır. 1 boyutlu EEG verilerine AKD ve
ortalama, varyans, standart sapma, basıklık, çarpıklık gibi istatistiksel yöntemleri uygulanarak;
2 boyutlu MRG verilerine ise AKD ve ortalama istatistiksel yöntemi uygulanarak özellik
vektörleri çıkarılmıştır. Elde edilen öznitelik vektörlerine TBA (Temel Bileşen Analizi-PCA),
DAA (Doğrusal Ayırım Analizi-LDA), İleriye Doğru Seçim ve Geriye Doğru Seçim yöntemleri
uygulanarak en etkin özellikler seçilmiştir. EEG, MRG ve EEG-MRG birleşik özellikleri
kullanılarak Sağlıklı / Epilepsi şeklinde 2 kümeli sınıflandırma yapılmıştır. Tezde AKD özellik
çıkarımı ile ADD (Ayrık Dalgacık Dönüşümü) karşılaştırılmış; 1B ve 2B biyomedikal işaretleri
YSA, SVM, KNN ve RF makine öğrenme yöntemleri ile sınıflandırılmıştır. Ayrıca derin
öğrenme ağında, LSTM ve CNN mimarilerinde veriler analiz edilmiştir. Tezimizde, EEG-MRG
birleşik özelliklerinin epilepsi hastalığının teşhisinde çok etkin bir şekilde kullanılabileceği
tespit edilmiştir.
|
|
In this study, 1-dimensional (1D) and 2-dimensional (2D) biomedical signal analysis based on
the Discrete Cosine Transform (DCT) feature extraction method was performed to diagnose
high-accuracy epilepsy disease. For the diagnosis of epilepsy, Electroencephalogram (EEG)
data were used for 1-dimensional (1D) signal analysis and Magnetic Resonance Imaging (MRI)
data were used for 2-dimensional (2D) signal analysis. In addition to DCT, statistical methods
such as mean, variance, standard deviation, kurtosis, skewness were applied to 1-dimensional
EEG data; on the other hand, feature vectors were obtained by applying DCT and mean
statistical method to 2D MRI data. The most useful features were selected by applying PCA,
LDA, Forward Selection and Backward Selection methods to the obtained feature vectors.
EEG, MRI and EEG-MRI combined features of Healthy, and Epilepsy classification was made
as a two-cluster. In the thesis, DCT feature extraction and DWT (Discrete Wavelet Transform)
were compared. 1D and 2D biomedical signals are classified by ANN, SVM, KNN and RF
machine learning methods. In addition, our data were analyzed in LSTM and CNN architectures
in the deep learning network. In the dissertation, it has been established that the combined
features of EEG-MRI can be used very effectively in the diagnosis of epilepsy. |