Please use this identifier to cite or link to this item: http://hdl.handle.net/11527/809
Title: Tek – Sınıf Destek Vektör Makineleri Kullanılarak Epileptik Eeg İşaretlerinin Sınıflandırılması
Other Titles: Epileptic Eeg Signal Classification Using One-class Support Vector Machines
Authors: Kamaşak, Mustafa Ersel
Avşar, Ercan
Biyomedikal Mühendisliği
Biomedical Engineering
Keywords: EEG
Epilepsi
Tek-sınıf DVM
TBA
Öznitelik seçimi
EEG
Epilepsy
One-class SVM
PCA
Feature selection
Issue Date: 18-Jun-2009
Publisher: Fen Bilimleri Enstitüsü
Institute of Science and Technology
Abstract: Dünya nüfusunun yaklaşık %1’inde görülebilen epilepsi hastalığı kişilerin günlük hayatlarının birçok evresini olumsuz olarak etkilemektedir. Bu yüzden epilepsinin tespiti büyük önem arz etmektedir. Epilepsi nöbetlerinin önüne geçilmesi amacıyla hastaya ilaç tedavisi uygulanabilmektedir. Bunun yanı sıra beynin sorunlu bölgesini elektriksel olarak uyararak yapılan çalışmalar da vardır. Beynin elektriksel aktivitesi hakkında bilgi içeren bir kayıt olan EEG epilepsi nöbetinin tespiti için önemli bir araçtır. Bu tez çalışmasında da EEG işaretleri epilepsi tespiti için kullanılmıştır. Sınıflandırıcı olarak ise tek-sınıf destek vektör makineleri kullanılmıştır. Tek-sınıf destek vektör makinelerinin diğer sınıflandırıcılardan farkı, eğitim işlemi için sadece tek bir sınıf örneklerini kullanmasıdır. Dolayısı ile sınıflandırıcının eğitimi için epilepsi nöbeti esnasında alınmış EEG kayıtlarına ihtiyaç duyulmamıştır. Bu amaçla daha önceden yapılmış olan çalışmalarda kullanılmış olan 28 adet öznitelik çıkarılmıştır. Öznitelik sayısını azaltmak amacıyla da temel bileşenler analizi ve mRMR öznitelik seçimi işlemleri ayrı ayrı uygulanmış ve sınıflandırıcının performansı üzerindeki etkileri incelenmiştir. Tüm 28 öznitelik kullanılarak, temel bileşenler analizi ile özuzaydaki enerjinin %95’i kapsanacak şekilde boyut azaltılması ile elde edilen öznitelikler kullanılarak ve mRMR öznitelik seçimi ile önemli olduğu görülen özniteliklerden farklı miktarlarda kullanılarak farklı sınıflandırıcılar eğitilmiş ve test edilmiştir. Sonuç olarak, mRMR öznitelik seçiminin uygun öznitelik sayısı ile tüm öznitelikler ve TBA’ya göre daha iyi sonuç verdiği görülmüştür.
Approximately 1% of world population have epilepsy which affects most parts of patients’ daily lives in an unfavorable way. Therefore, detection of epilepsy is an important issue. There are efforts to control the seizures with medication. In addition, there are studies in which problematic part of the brain is electrically stimulated. EEG is an important tool for detection of epileptic seizures because it contains information about electrical activity of the brain. In this thesis, EEG signals are used for epilepsy detection. One-class support vector machines is used as classifier. Unlike other classifiers, one-class support vector machines require only one class of data for training. So EEG recordings of epileptic seizures are not needed for training of the classifier. For this purpose, 28 features which were previously used in literature are extracted. Principal component analysis and mRMR feature selection algorithms are applied separately to reduce the number of features and their effects on the classifier performance is observed. Different classifiers are trained and tested for three cases of features: all 28 features, features principal component analysis to contain 95% of variance, different number of features which are indicated to be most important by mRMR. As a result, mRMR feature selection is found to be superior to all features and PCA with proper number of features in terms of classification performance.
Description: Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2009
Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2009
URI: http://hdl.handle.net/11527/809
Appears in Collections:Biyomedikal Mühendisliği Lisansüstü Programı - Yüksek Lisans

Files in This Item:
File Description SizeFormat 
9427.pdf2.85 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.