Araştırma Makalesi
BibTex RIS Kaynak Göster

Classification of Epileptic EEG Signals Using Statistical Data Belongs to the Discrete Wavelet Transform Components

Yıl 2014, Cilt: 5 Sayı: 15, 49 - 56, 01.04.2014
https://doi.org/10.5824/1309-1581.2014.2.003.x

Öz

Analysis and classification of EEG signals is very important in the diagnosis of seizure which result from abnormal turnover in brain electrical activity. In this study, discrete wavelet coefficients are obtained by using wavelet transform that is known to achieve successful results in spectral analysis of the non-stationary EEG signals. The feature vectors are determined consisting of minimum value, maximum value, mean and standard deviation belongs to these coefficients and classification is also performed with kNN algorithm which may obtain the result in a short time because of that a model isn't set for classification. The metod is tested with seizure and non-seizure data which are 60 minutes and have 256Hz sampling frequency. The seizure data with and non-seizure data with 110 seconds are taken from the marked segments with 50% overlap of these data by specialist and data sets are formed to be used for analysis. As a result of the classification of the reduced vectors with kNN algorithm, the success of correct classification of the seizure and non-seizure data are 83%.

Kaynakça

  • [1] Özdemir N., Duman F., Yıldırım E., “Ampirik Kip Ayrışımı Yoluyla Epileptik Nöbet Teşhisi”, 2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU 2011), s. 813-816, 20-22 Nisan 2011, Antalya.
  • [2] Kaya Y., Ertuğrul Ö. F., Tekin R., Epileptik EEG İşaretlerinin Sınıflandırılmasında Karar Kuralları ve Karar Ağaçlarının Kullanılması”, Bilim ve Kültür Sempozyumu, 18-20 Nisan 2012, Batman.
  • [3] Barışçı N., Müldür S., “Epileptik EEG Sinyallerinin Sinirsel – Bulanık Sistem ile Sınıflandırılması”, Politeknik Dergisi, Cilt: 6, Sayı: 2, s. 445-449, 2003.
  • [4] Kaya Y., Tekin R., “Epileptik Nöbetlerin Tespiti için Aşırı Öğrenme Makinesi Tabanlı Uzman Bir Sistem”, Bilişim Teknolojileri Dergisi, Cilt: 5, Sayı: 2, Mayıs 2012.
  • [5] Kumari S. S., Jose J. P., “Seizure Detection In EEG Using Time Frequency Analysis and SVM”, Emerging Trends in Electrical and Computer Technology (ICETECT), 2011, s. 626-630, 23-24 Mart 2011, Tamil Nadu.
  • [6] Bayram M., Acar H., “EEG Sınıflandırma Amaçlı Bir Kompozit Sistem”, Mühendislik Dergisi, Dicle Üniversitesi Mühendislik Fakültesi, cilt: 4, sayı: 1, s. 5-12, Nisan 2013.
  • [7] Sun S., Zhang C., Zhang D., “An experimental evaluation of ensemble methods for EEG signal classification”, Pattern Recognition Letters, vol. 28, no. 15, p. 2157-2163, 1 Nov. 2007.
  • [8] Coşkun M., İstanbullu A., “EEG İsaretlerinin FFT ve Dalgacık Dönüşümü ile Analizi”, XIV. Akademik Bilişim Konferansı, 1-3 Şubat 2012, Uşak.
  • [9] Orhan U., Hekim M., Özer M., “Kümelemeye Dayalı Olasılık Dağılımı ve Yapay Sinir Ağı ile EEG İşaretlerinden Epilepsi Teşhisi”, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, s.1-4, 21-24 Haziran 2010, Kayseri.
  • [10] Orhan U., Hekim M., Özer M., “EEG İşaretlerinin Çok-Katmanlı Algılayıcı Yapay Sinir Ağı Modeli ile Sınıflandırılmasında Ayrıklaştırma Yaklaşımı”, Biomedical Engineering Meeting (BIYOMUT), 2010, s. 1-4, 21-24 Nisan 2010, Antalya.
  • [11] Yılmaz Z., Bozkurt M. R., “Ayrık Dalgacık Dönüşümü Kullanarak Aritmilere Ait Özniteliklerin Çıkarılması”, XIV. Akademik Bilişim Konferansı, 23-25 Ocak 2013, Antalya.
  • [12] Nizam A., “Karınca Koloni Optimizasyonuna Dayalı Yeni Bir Aritmi Sınıflama Tekniği”, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi,2008.

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması

Yıl 2014, Cilt: 5 Sayı: 15, 49 - 56, 01.04.2014
https://doi.org/10.5824/1309-1581.2014.2.003.x

Öz

Beynin elektriksel aktivitesindeki anormal değişimden kaynaklanan epilepsi hastalığının teşhisinde EEG işaretlerinin analizi ve sınıflandırılması oldukça önemlidir. Bu çalışmada durağan olmayan EEG işaretlerinin spektral analizinde başarılı sonuçlar elde ettiği bilinen ayrık dalgacık dönüşümü kullanılarak dalgacık katsayılar elde edilmiştir. Bu katsayılara ait en küçük değer, en büyük değer, standart sapma ve ortalamadan oluşan özellik vektörleri belirlenmiş ve model oluşturmadan sınıflandırma işlemi yaptığı için kısa sürede sonuç elde edebilen k en yakın komşuluk kNN algoritması ile de sınıflandırma işlemi gerçekleştirilmiştir. Yöntem 60 dakikalık 256 Hz örnekleme frekansına sahip nöbet ve nöbet dışı veriler ile test edilmiştir. Bu verilerin uzman doktor tarafından işaretlenmiş segmentlerinden 110 saniyelik nöbet verisi ve 110 saniyelik nöbet dışı veri %50 oranında örtüşme ile alınmış ve analiz için kullanılacak veri setleri oluşturulmuştur. İndirgenmiş vektörlerin kNN algoritması ile sınıflandırılması sonucunda nöbet ve nöbet dışı verinin doğru sınıflandırma başarısı % 83’e ulaşmıştır.

Kaynakça

  • [1] Özdemir N., Duman F., Yıldırım E., “Ampirik Kip Ayrışımı Yoluyla Epileptik Nöbet Teşhisi”, 2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU 2011), s. 813-816, 20-22 Nisan 2011, Antalya.
  • [2] Kaya Y., Ertuğrul Ö. F., Tekin R., Epileptik EEG İşaretlerinin Sınıflandırılmasında Karar Kuralları ve Karar Ağaçlarının Kullanılması”, Bilim ve Kültür Sempozyumu, 18-20 Nisan 2012, Batman.
  • [3] Barışçı N., Müldür S., “Epileptik EEG Sinyallerinin Sinirsel – Bulanık Sistem ile Sınıflandırılması”, Politeknik Dergisi, Cilt: 6, Sayı: 2, s. 445-449, 2003.
  • [4] Kaya Y., Tekin R., “Epileptik Nöbetlerin Tespiti için Aşırı Öğrenme Makinesi Tabanlı Uzman Bir Sistem”, Bilişim Teknolojileri Dergisi, Cilt: 5, Sayı: 2, Mayıs 2012.
  • [5] Kumari S. S., Jose J. P., “Seizure Detection In EEG Using Time Frequency Analysis and SVM”, Emerging Trends in Electrical and Computer Technology (ICETECT), 2011, s. 626-630, 23-24 Mart 2011, Tamil Nadu.
  • [6] Bayram M., Acar H., “EEG Sınıflandırma Amaçlı Bir Kompozit Sistem”, Mühendislik Dergisi, Dicle Üniversitesi Mühendislik Fakültesi, cilt: 4, sayı: 1, s. 5-12, Nisan 2013.
  • [7] Sun S., Zhang C., Zhang D., “An experimental evaluation of ensemble methods for EEG signal classification”, Pattern Recognition Letters, vol. 28, no. 15, p. 2157-2163, 1 Nov. 2007.
  • [8] Coşkun M., İstanbullu A., “EEG İsaretlerinin FFT ve Dalgacık Dönüşümü ile Analizi”, XIV. Akademik Bilişim Konferansı, 1-3 Şubat 2012, Uşak.
  • [9] Orhan U., Hekim M., Özer M., “Kümelemeye Dayalı Olasılık Dağılımı ve Yapay Sinir Ağı ile EEG İşaretlerinden Epilepsi Teşhisi”, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, s.1-4, 21-24 Haziran 2010, Kayseri.
  • [10] Orhan U., Hekim M., Özer M., “EEG İşaretlerinin Çok-Katmanlı Algılayıcı Yapay Sinir Ağı Modeli ile Sınıflandırılmasında Ayrıklaştırma Yaklaşımı”, Biomedical Engineering Meeting (BIYOMUT), 2010, s. 1-4, 21-24 Nisan 2010, Antalya.
  • [11] Yılmaz Z., Bozkurt M. R., “Ayrık Dalgacık Dönüşümü Kullanarak Aritmilere Ait Özniteliklerin Çıkarılması”, XIV. Akademik Bilişim Konferansı, 23-25 Ocak 2013, Antalya.
  • [12] Nizam A., “Karınca Koloni Optimizasyonuna Dayalı Yeni Bir Aritmi Sınıflama Tekniği”, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi,2008.
Toplam 12 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Research Article
Yazarlar

Tuğba Palabaş Bu kişi benim

Yayımlanma Tarihi 1 Nisan 2014
Gönderilme Tarihi 1 Nisan 2014
Yayımlandığı Sayı Yıl 2014 Cilt: 5 Sayı: 15

Kaynak Göster

APA Palabaş, T. (2014). Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması. AJIT-E: Academic Journal of Information Technology, 5(15), 49-56. https://doi.org/10.5824/1309-1581.2014.2.003.x