Yazar "Oran, Samet" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • [ X ]
    Öğe
    Classification of EEG Signals in Neuromarketing Implementation Task
    (Institute of Electrical and Electronics Engineers Inc., 2021) Oran, Samet; Gursel, Amira Tandirovic
    In this work, EEG signals that are showing the frequency of the power bands were examined by wavelet power spectrum through neuromarketing outline in order to predict purchaser appetites while they look E-commerce goods. When extraction of these power bands, fixed overlap segment and 3 different sample lengths were counted in sliding window technique. k-NN was implemented for evaluating classification accuracy. The best result, 70.24% k-NN accuracy was obtained for 2-seconds sample length. © 2021 Chamber of Turkish Electrical Engineers.
  • [ X ]
    Öğe
    Early Epileptic Seizure Prediction Using EEG Signals with Machine Learning
    (Avestia Publishing, 2023) Oran, Samet; Yıldırım, Esen
    Epilepsy is a chronic disease that dates back to ancient times and affects people only during seizures. Since the onset of seizures is unknown, it heavily poor affects the living standards of patients. If seizure onset can be predicted in sufficient advance, seizures can be prevented with drugs to be used or an opportunity can be provided for patients who cannot be stopped with drugs to move to a safe zone. For this purpose, to predict an epileptic seizure, before a certain period of time happens, frequency-based feature extraction is applied with the use of recorded EEG data. Bases of the study rely on creating time for patients to reach necessary medications approximately ahead 30-60 minutes before having an epileptic seizure. In this respect, an open-access dataset with 24 pediatric patients’ EEG recordings was used and frequency-based feature extraction was performed using wavelet transformation. Afterward, classification performances of the features are compared for a k-nearest neighbor (k-NN), random forest algorithm (RF), support vector machine (SVM), and J48 which are extensively used machine learning techniques. In accordance with the classification results, the average highest accuracy was acquired as 99.87% with the SVM classifier. © 2023, Avestia Publishing. All rights reserved.
  • [ X ]
    Öğe
    Epileptic seizure prediction using EEG signals with deep learning
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2023) Oran, Samet; Yıldırım, Esen
    Epilepsi, antik çağlara kadar uzanan kronik bir hastalıktır ve insanları sadece nöbetler sırasında etkilemektedir. Nöbet başlangıcı ve bitiş zamanı bilinmediği için hastaların yaşam standartlarını ciddi şekilde kötü etkilemektedir. Eğer nöbet başlangıcı yeterli bir süre önceden tahmin edilebilirse, ilaçla tedavi olabilen hastaların nöbetlerini ilaçlarla kriz öncesi önleyebilir veya ilaçlarla nöbeti engellenemeyen hastaların ise nöbeti bitene kadar güvenli bir bölgeye geçme fırsatı sağlanabilir. Bu tezde, epileptik nöbetleri önceden tahmin etme amacıyla, nöbetin meydana gelmesinden yaklaşık olarak 30-60 dakika önce hastaların gerekli uyarıları alabilmesi için zaman yaratılması hedeflenmiştir. Bu bağlamda, 24 pediatrik hastanın elektroensefalografi (EEG) kayıtlarını içeren bir açık erişim veri seti kullanılmıştır. Kaydedilmiş EEG verileri kullanılarak frekans ve zaman temelli öznitelik çıkarımları uygulanmıştır. Frekans ve zaman temelli yöntemler sırasıyla dalgacık dönüşümü ve doğrusal olmayan enerji metotları kullanılarak gerçekleştirilmiştir. Bu yöntemler kullanılarak iktal (nöbet), preiktal (nöbet öncesi) ve interiktal (nöbetler arası) olarak adlandırılan 3 sınıflı EEG öznitelikleri elde edilerek derin öğrenme ve makine öğrenmesi sınıflandırıcıları uygulanmıştır. Derin öğrenme algoritmalarından oluşturulan 1-boyutlu evrişimli sinir ağı (1D-CNN) modeli ve makine öğrenimi algoritmalarından yaygın olarak kullanılan k-en yakın komşu (k-NN), rastgele orman algoritması (RF), destek vektör makinesi (SVM) ve C4.5 algoritması (J48), 3 sınıflı çıktıların sınıflandırma performanslarını ölçmek için kullanılmıştır. Çalışmada farklı özniteliklerin birbiriyle kıyaslanmasının yanı sıra makine öğrenimi ve derin öğrenme sınıflandırıcıları da birbirleriyle karşılaştırmış ve en iyi sonuçlar gözlemlenmiştir. Sınıflandırma sonuçlarına göre, dalgacık özniteliklerine dayalı 1D-CNN sınıflandırıcısıyla %95.30'luk en yüksek ortalama doğruluk elde edilirken, doğrusal olmayan enerji özniteliklerini kullanan SVM sınıflandırıcısıyla %96.60'luk en yüksek ortalama doğruluk sağlanmıştır.