Machine learning and signal processing on recognizing epileptic seizure patterns Epileptik kriz örüntülerinin tanınmasında makine öğrenmesi ve sinyal işleme

Özet:Makine öğrenimi yöntemleri, bir mekanizmanın girdileri ve çıktıları arasında mevcut ancak belirsiz bir ilişkinin olduğu durumlarda öne çıkmaktadır. En yaygın beyin bozukluklarından biri olan epilepsi de böyle bir durumdur. Bu nedenle, makine öğrenme algoritmalarının öngörücü yetenekleri ile birlikte sinyal işleme tekniklerinin açıklayıcı gücünden yararlanmak, EEG kayıtlarından epileptik nöbetleri saptamak ve tahmin etmek için uygun bir yaklaşımdır. Bu çalışma, nöbetleri tespit etmek ve tahmin etmek için iki ayrı ancak uyumlu çerçeve sunar. İlk çerçeve, birkaç sınıflandırıcı ile nöbet aktivitesini tespit etmek için Hilbert titreşim ayrışması ile ayrıştırılan EEG sinyallerinin özellik çıkarılması ve sınıflandırılmasından oluşur. Ayrıca, HVD yönteminin performansları ve diğer geleneksel ayrışma teknikleri karşılaştırılmaktadır. İkinci çerçeve, bir evirişimli sinir ağı ve bir post-proses algoritması kullanarak, preiktal aktiviteyi tespit etmek ve alarmları yükseltmek için sınıflandırma hedefini nöbet öncesi dönemlere kaydırarak ilkinin metodolojisini geliştirmektedir.Summary:Machine learning methods thrive in cases where there is a present but obscure relation between the inputs and outputs of a mechanism. Epilepsy, one of the most common brain disorders, is one such case. Leveraging the descriptive power signal processing techniques along with the predictive capabilities of machine learning algorithms is, therefore, a suitable approach to detect and predict epileptic seizures from EEG recordings. This work presents two separate but compatible frameworks in order to detect and predict seizures. The first framework consists of feature extraction and classification of EEG signals decomposed with the Hilbert vibration decomposition in order to detect seizure activity with several classifiers. Also, the performances of the HVD method and other conventional decomposition techniques are compared. The second framework builds upon the methodology of the first one by shifting the classification target to pre-seizure periods to detect preictal activity and raise alarms using a convolutional neural network and a novel post-processing algorithm.

Görüntülenme
9
24.10.2022 tarihinden bu yana
İndirme
1
24.10.2022 tarihinden bu yana
Son Erişim Tarihi
13 Aralık 2023 11:12
Google Kontrol
Tıklayınız
detect çerçeve tespit tahmin nöbetleri classification techniques decomposition activity framework nöbet learning predict Hilbert seizures suitable therefore signal processing algorithms convolutional capabilities machine predictive shifting descriptive outputs present algorithm obscure relation between post-processing inputs network
Tam Metin
Tam Metin İndirmek için tıklayın Ön izleme
Detaylı Görünüm
Eser Adı
(dc.title)
Machine learning and signal processing on recognizing epileptic seizure patterns Epileptik kriz örüntülerinin tanınmasında makine öğrenmesi ve sinyal işleme
Eser Sahibi
(dc.contributor.author)
Büyükçakır, Barkın
Tez Danışmanı
(dc.contributor.advisor)
Adnan Kaya
Yayıncı
(dc.publisher)
Graduate School of Natural and Applied Sciences
Tür
(dc.type)
Yüksek Lisans
Açıklama
(dc.description)
xiii, 76 sayfa
Açıklama
(dc.description)
29 cm. 1 CD
Özet
(dc.description.abstract)
Özet:Makine öğrenimi yöntemleri, bir mekanizmanın girdileri ve çıktıları arasında mevcut ancak belirsiz bir ilişkinin olduğu durumlarda öne çıkmaktadır. En yaygın beyin bozukluklarından biri olan epilepsi de böyle bir durumdur. Bu nedenle, makine öğrenme algoritmalarının öngörücü yetenekleri ile birlikte sinyal işleme tekniklerinin açıklayıcı gücünden yararlanmak, EEG kayıtlarından epileptik nöbetleri saptamak ve tahmin etmek için uygun bir yaklaşımdır. Bu çalışma, nöbetleri tespit etmek ve tahmin etmek için iki ayrı ancak uyumlu çerçeve sunar. İlk çerçeve, birkaç sınıflandırıcı ile nöbet aktivitesini tespit etmek için Hilbert titreşim ayrışması ile ayrıştırılan EEG sinyallerinin özellik çıkarılması ve sınıflandırılmasından oluşur. Ayrıca, HVD yönteminin performansları ve diğer geleneksel ayrışma teknikleri karşılaştırılmaktadır. İkinci çerçeve, bir evirişimli sinir ağı ve bir post-proses algoritması kullanarak, preiktal aktiviteyi tespit etmek ve alarmları yükseltmek için sınıflandırma hedefini nöbet öncesi dönemlere kaydırarak ilkinin metodolojisini geliştirmektedir.Summary:Machine learning methods thrive in cases where there is a present but obscure relation between the inputs and outputs of a mechanism. Epilepsy, one of the most common brain disorders, is one such case. Leveraging the descriptive power signal processing techniques along with the predictive capabilities of machine learning algorithms is, therefore, a suitable approach to detect and predict epileptic seizures from EEG recordings. This work presents two separate but compatible frameworks in order to detect and predict seizures. The first framework consists of feature extraction and classification of EEG signals decomposed with the Hilbert vibration decomposition in order to detect seizure activity with several classifiers. Also, the performances of the HVD method and other conventional decomposition techniques are compared. The second framework builds upon the methodology of the first one by shifting the classification target to pre-seizure periods to detect preictal activity and raise alarms using a convolutional neural network and a novel post-processing algorithm.
Kayıt Giriş Tarihi
(dc.date.accessioned)
26.10.2022
Açık Erişim Tarihi
(dc.date.available)
2022-10-26
Yayın Tarihi
(dc.date.issued)
2020
Yayın Dili
(dc.language.iso)
eng
Konu Başlıkları
(dc.subject)
Biomedical signals
Konu Başlıkları
(dc.subject)
Biyomedikal işaretler
Konu Başlıkları
(dc.subject)
Multiple signal classificaton
Konu Başlıkları
(dc.subject)
Çoklu sinyal sınıflandırma
Tek Biçim Adres
(dc.identifier.uri)
https://hdl.handle.net/11469/2325
Analizler
Yayın Görüntülenme
Yayın Görüntülenme
Erişilen ülkeler
Erişilen şehirler
6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında yükümlülüklerimiz ve çerez politikamız hakkında bilgi sahibi olmak için alttaki bağlantıyı kullanabilirsiniz.

creativecommons
Bu site altında yer alan tüm kaynaklar Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.
Platforms