DERİN ÖĞRENME TABANLI EPİLEPTİK NÖBET TEŞHİSİ

Abstract

ÖZET

Epilepsi hastalığı yaygın nörolojik hastalıklardan bir tanesi olarak öne çıkmaktadır. Epilepsi hastalığının teşhisinde elektroensefalografi (EEG) kullanılarak beynin sinirsel aktivitesi gözlemlenir ve bu da epilepsi hastalığının teşhisine olanak sağlar. Günümüzde genel olarak biyolojik sinyallerden hastalık teşhisinde klasik makine öğrenmesi yöntemleri sıklıkla kullanılmakla birlikte son yıllarda derin öğrenme yapıları ön plana çıkmaktadır. Derin öğrenme ağları sinyallerden özellik çıkarımına gerek duymaması, özellikler için ek bir çaba gerektirmemesi, insan kaynaklı hesaplama hatalarının ve zaman kaybının önüne geçmesi açısından klasik makine öğrenmesi yöntemlerine göre daha avantajlı bir konuma gelmektedir. Bu çalışmada, zaman serisi EEG sinyalini zaman-frekans bileşenlerini temsil edecek görüntüleri ve ham EEG sinyallerinin sayısal değerlerini kullanarak epilepsi nöbet aktivitesini otomatik bir şekilde tespit eden ve EEG sinyallerini sınıflandıran kombine bir derin öğrenme modeli oluşturulmaya çalışılmıştır. Çalışmada Bonn Üniversitesi’nin halka açık epilepsi veri seti kullanılmıştır. Veri seti, sağlıklı ve epilepsi hastası insanlardan kaydedilen A, B, C, D, E şeklinde etiketlenmiş EEG kayıtlarını içermektedir. Bu çalışmada, EEG sinyallerinin zaman dizisini ve zamana bağlı EEG sinyallerinin zaman-frekans-görüntü dönüşümlerini kullanarak kombine bir model ortaya konulmuştur. Sinyalleri görüntülere dönüştürmede CWT ve STFT yöntemleri kullanılmıştır. CWT ve STFT yöntemleri ile oluşturulan görüntülerle ayrı ayrı iki model oluşturulmuştur. Veri setindeki A, B, C, D ve E setleri çeşitli kombinasyonlar ile bir araya getirilerek EEG sinyalleri ikili ve üçlü sınıflandırmalar ile sınıflandırılmıştır. İkili sınıflandırmalar için skalogram ve spektrogram görüntüleriyle sırasıyla %99.07, %99.28 ve üçlü sınıflandırmalar için skalogram ve spektrogram görüntüleriyle sırasıyla %97.60, %98.56 ortalama doğruluk oranları elde edilmiştir. 8 katlı çapraz doğrulama işlemi yapılan AB_CDE, ABCD_E ve AB_CD_E kombinasyonları için sırasıyla %99.21 (±0.56), %99.50 (±0.45) ve %98.84 (±1.58) ortalama doğruluk oranları elde edilmiştir. Oluşturulan model, EEG verilerinde epilepsi nöbet aktivitesinin olup olmadığını ve EEG sinyallerinin sınıflandırmasını yüksek başarı oranı ile yapabilmektedir.

ABSTRACT

Epilepsy stands out as one of the common neurological diseases. In the diagnosis of epilepsy, the neural activity of the brain is observed using electroencephalography (EEG), which allows the diagnosis of epilepsy disease. Although classical machine learning methods are frequently used to diagnose diseases from biological signals, deep learning structures have come to the fore in recent years. Deep learning networks are in a more advantageous position than classical machine learning methods in that they do not require feature extraction from signals, do not require additional effort for features, and prevent human-induced computational errors and time loss. In this study, a combined deep learning model that automatically detects epileptic seizure activity and classifies EEG signals by using images representing time-frequency components of time series EEG signal and numerical values of raw EEG signals has been tried to be created. The public epilepsy dataset of the University of Bonn was used in the study. The dataset includes EEG recordings labeled as A, B, C, D, E recorded from healthy and epileptic people. This study presents a combined model using the time sequence of EEG signals and time-frequency-image transformations of time-dependent EEG signals. CWT and STFT methods were used to convert signals to images. Two models were created separately with the images created by CWT and STFT methods.A, B, C, D, and E sets in the dataset were combined with various combinations, and EEG signals were classified with binary and triple classifications. Average accuracy rates of 99.07%, 99.28%, respectively, in binary classifications and 97.60% and 98.56%, respectively, were obtained with scalogram and spectrogram images in triple classifications. The average accuracy rates of 99.21% (±0.56), 99.50% (±0.45), and 98.84% (±1.58) were obtained with the combinations of AB_CDE, ABCD_E, and AB_CD_E, which underwent 8-fold cross-validation, respectively. The created model can determine whether there is epileptic seizure activity in EEG data and classify EEG signals with a high success rate.