Epileptic seizure prediction using EEG signals with deep learning
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
Epilepsy is a chronic disease that dates back to ancient times and affects individuals only during seizures. Due to the unknown onset and duration of seizures, it significantly impairs the quality of life for patients. If the onset of seizures can be predicted with sufficient advance notice, patients who respond to medication can prevent their seizures using appropriate drugs, while those whose seizures cannot be controlled with medication can be provided an opportunity to move to a safe zone until the seizure subsides. In this thesis, the main objective is to create a time window of approximately 30-60 minutes before the occurrence of epileptic seizures, allowing patients to receive necessary alerts. In this context, an open-access dataset consisting of electroencephalography (EEG) recordings from 24 pediatric patients was utilized. Frequency-based and time-based feature extractions were performed on EEG data. The frequency-based and time-based methods utilized wavelet transformation and non-linear energy calculations respectively. These feature extraction methods yield to 3-class EEG features that are: ictal (seizure), preictal (pre-seizure), and interictal (between-seizure). Deep learning and machine learning classifiers were applied on these 3-class outputs. A 1-dimensional Convolutional Neural Network (1D-CNN) model, constructed from deep learning algorithms, and commonly used machine learning algorithms, namely k-Nearest Neighbors (k-NN), Random Forest (RF), Support Vector Machine (SVM), and C4.5 algorithm (J48), were employed to assess the classification performance of 3-class outputs. In the study, besides comparing different features with each other, machine learning and deep learning classifiers have also been compared, and the best results have been observed. According to the classification results, the highest average accuracy of 95.30% was achieved with a 1D-CNN classifier based on wavelet features, while the highest average accuracy of 96.60% was obtained with an SVM classifier using non-linear energy features.
Epilepsy is a chronic disease that dates back to ancient times and affects individuals only during seizures. Due to the unknown onset and duration of seizures, it significantly impairs the quality of life for patients. If the onset of seizures can be predicted with sufficient advance notice, patients who respond to medication can prevent their seizures using appropriate drugs, while those whose seizures cannot be controlled with medication can be provided an opportunity to move to a safe zone until the seizure subsides. In this thesis, the main objective is to create a time window of approximately 30-60 minutes before the occurrence of epileptic seizures, allowing patients to receive necessary alerts. In this context, an open-access dataset consisting of electroencephalography (EEG) recordings from 24 pediatric patients was utilized. Frequency-based and time-based feature extractions were performed on EEG data. The frequency-based and time-based methods utilized wavelet transformation and non-linear energy calculations respectively. These feature extraction methods yield to 3-class EEG features that are: ictal (seizure), preictal (pre-seizure), and interictal (between-seizure). Deep learning and machine learning classifiers were applied on these 3-class outputs. A 1-dimensional Convolutional Neural Network (1D-CNN) model, constructed from deep learning algorithms, and commonly used machine learning algorithms, namely k-Nearest Neighbors (k-NN), Random Forest (RF), Support Vector Machine (SVM), and C4.5 algorithm (J48), were employed to assess the classification performance of 3-class outputs. In the study, besides comparing different features with each other, machine learning and deep learning classifiers have also been compared, and the best results have been observed. According to the classification results, the highest average accuracy of 95.30% was achieved with a 1D-CNN classifier based on wavelet features, while the highest average accuracy of 96.60% was obtained with an SVM classifier using non-linear energy features.
Açıklama
Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
