Tez No	İndirme	Tez Künye	Durumu
567626		EEG işaretlerinden epilepsi türlerinin sınıflandırılmasında skalogram tabanlı derin öğrenme yaklaşımı / Scalogram based deep learning approach for classification of epilepsy types from EEG signals Yazar:ÖMER TÜRK Danışman: PROF. DR. MEHMET SİRAÇ ÖZERDEM Yer Bilgisi: Dicle Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik 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:	Onaylandı Doktora Türkçe 2019 98 s.
Bu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Türlerinin sınıflandırılmasında, EEG işaretinin boyutu artırılarak skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Bu tez konusunun çalışabilmesi; en basit paradigmalar karşısında beyinde oluşan temel salınımları, EEG gibi aktivite ölçüm tekniklerini ve işaret işleme yöntemlerini bilmeyi gerektirir. Beynin denetimsel faaliyetleri sırasında, sinir hücre gruplarının elektriksel aktiviteleri, salınımlar meydana getirir. Kompleks yapıda olan bu biyopotansiyel salınımlar, Elektroensefalogram (EEG) işaretleri olarak adlandırılır. Bu işaretler kullanılarak belirli hastalıklar tespit edilebilmektedir. Bu hastalıklardan biri de epilepsidir. Epilepsi, kendini nöbetler şeklinde gösteren bir hastalıktır. Bu nöbetler farklı karakteristikler şeklinde kendini gösterir. Bu farklı özellikler, epilepsi nöbet türlerini temelde iki ana gruba ayırır. Bu nöbetler, jeneralize ve parsiyel epilepsi olarak adlandırılır. Hekimler için bu nöbet türlerinin tespiti, hastalığın tedavisi açısından önem arz etmektedir. Epilepsi tespiti ve takibinde kullanılan uzun süreli EEG kayıtlarının görsel olarak değerlendirilmesi, zaman açısından maliyetli olmaktadır. Bu maliyetin minimize edilmesini sağlayacak yöntemlerin mühendislik alanlarında önerilebildiği görülmektedir. Mühendislik alanında literatürde var olan EEG tabanlı çalışmalar, bu tez çalışmasında iki ana grupta değerlendirilmiştir. Bu çalışmalar; a) Konvansiyonel Yöntemlere Dayalı Çalışmalar, b) Derin Öğrenme Yöntemlerine Dayalı Çalışmalardır. Bu tez çalışmasında, EEG işaretlerinden Epilepsi türlerinin sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda skalogram tabanlı bir derin öğrenme yaklaşımı önerilmiştir. Önerilen yöntemin başarısını değerlendirmek amacıyla, Dicle Üniversitesi (DÜ) Nöroloji Kliniği EEG veri seti ve literatürde çok sık kullanılan Bonn EEG veri seti kullanılmıştır. Önerilen yöntemde, EEG işaretine Sürekli Dalgacık Dönüşümü (SDD) uygulanarak boyutu artırılmıştır. Boyutu artırılan iki boyutlu (2D) frekans-zaman skalogram görüntüleri, Evrişimsel Sinir Ağına giriş örüntüleri olarak kullanılmış ve eğitilerek sınıflandırılmıştır. Bonn EEG veri seti, farklı paradigmalar ile sağlıklı ve epilepsi hastalığının farklı zaman/konum işaretlerini içerir. Bu işaretler A, B, C, D ve E şeklinde etiketlendirilmiştir. Yapılan sınıflandırma çalışmasında; A-E ve B-E veri setleri %99.50(±1.50), A-D ve B-D veri setleri %100(±0.00), A-D-E veri setleri %99.00(±1.33), A-C-D-E veri setleri %90.50(±1.70) ve B-C-D-E veri setleri %91.50(±2.29), A-B-C-D-E veri setleri ise %93.60(±3.07) doğruluk oranları elde edilmiştir. DÜ Nöroloji Kliniğinden elde edilen EEG veri seti; sağlıklı, jeneralize nöbet öncesi, jeneralize nöbet anı ve parsiyel epilepsi olmak üzere 4 sınıf olarak etiketlendirilmiştir. Gerçekleştirilen sınıflandırma çalışmasında; normal, Jeneralize nöbet öncesi ve Jeneralize nöbet anı EEG kayıtları %90.16(±0.20); sağlıklı, Jeneralize nöbet öncesi, Jeneralize nöbet anı ve Parsiyel EEG kayıtları ise %84.66(±0.48) doğruluk ortalaması ile sınıflandırılmıştır. Bu sonuçlara göre elde edilen karışıklık (Confussion) matrisinde; normal EEG kayıtları %91.29, jeneralize epileptik nöbetler (nöbet anı) %96.50, parsiyel EEG kayıtları %89.63, nöbet öncesi EEG kayıtları ise %90.44 doğruluk başarımı elde edilmiştir. Çalışmada önerilen yöntemin sonuçları, hem litratürdeki benzer çalışmaların ve hem de konvansiyonel yöntemlerin sonuçları ile karşılaştırılmıştır. Sonuç olarak, önerilen yöntemin başarımı, kabul edilebilir seviyede olduğu görülmüştür.
In this thesis, it is aimed to classify different types of epilepsy from EEG signals. A scalogram-based deep learning approach was proposed by increasing the size of the raw EEG signal in the classification process. To be able to study this thesis; basic oscillations in the brain in the face of the simplest paradigms, activity measurement techniques such as EEG and signal processing methods. During the supervisory activities of the brain, the electrical activities of the nerve cell groups produce oscillations. These complex biopotential oscillations are called electroencephalogram (EEG) signals. Certain diseases can be detected using these signals. One of these diseases is epilepsy. Epilepsy is a disease that manifests itself as seizures. These seizures manifest themselves in different characteristics. These different characteristics divide epilepsy seizure types into two main groups. These seizures are called generalized and partial epilepsy. For physicians, detection of these types of seizures is important for the treatment of the disease. Visual evaluation of long-term EEG recordings used in the detection and follow-up of epilepsy is costly in terms of time. It is seen that the methods to minimize this cost can be proposed in engineering fields. In the literature, EEG-based studies in the field of engineering have been evaluated in two main groups. These studies; a) Conventional methods based studies, b) Deep learning methods based studies. In this thesis, it is aimed to classify different types of epilepsy from EEG from EEG signals. For this purpose, a scalogram-based deep learning approach has been proposed. In order to evaluate the success of the proposed method, the EEG data set of the Dicle University Neurology Clinic and the Bonn EEG data set, which are frequently used in the literature, were used. In the proposed method, the size of the EEG signal was increased by applying Continuous Wavelet Transform (CWT). Two-dimensional (2D) time-frequency scalogram images with increased dimensions were used as input patterns to the convolutional neural network and classified by training. The Bonn EEG data set includes different paradigms and different time / position signals of healthy and epilepsy. These signals are labeled A, B, C, D and E. As a result of classification prcess; A-E and B-E datasets were 99.50%(± 1.50), A-D and B-D datasets were 100%(± 0.00), A-D-E datasets were 99.00%(± 1.33), A-C-D-E datasets were 90.50%(± 1.70) and B-C-D-E datasets were 91.50%( ± 2.29) and A-B-C-D-E data sets were obtained with an accuracy of 93.60%(± 3.07). EEG data set obtained from DU Neurology Clinic as labeled four classes; healthy, generalized pre-seizure, generalized seizure and partial epilepsy. In the classification study performed for normal, generalized pre-seizure and generalized seizure EEG recordings 90.16% (± 0.20); healthy, generalized pre-seizure, generalized seizure time and partial EEG records were classified with an average of 84.66% (± 0.48) accuracy. According to these results, in the confusion matrix obtained; normal EEG recordings were 91.29%, generalized epileptic seizures (seizure time) 96.50%, partial EEG records 89.63%, pre-seizure EEG records 90.44% accuracy was achieved. The results of the proposed method were compared with the results of both similar studies and conventional methods. As a result, the performance of the proposed method was found to be acceptable.