ÖZETEpilepsi ve Alzheimer demans, tüm nörolojik bozukluklar arasında oldukça yaygındır. Epilepsi değerlendirmesinde nöbet ve nöbetsiz EEG segmentlerini ayırt etmek için üç farklı yaklaşım sunulmaktadır. İlk yöntemde, epilepsi hastalarından toplanan çok kanallı EEG sinyalleri, Görgül Kip Ayrıştırma (GKA), Grup GKA (GGKA) yöntemleri kullanılarak IMF'lere ayrıştırılır ve ardından gerekli IMF'ler seçilir. Son olarak, seçilen IMF'lerden ve ayrık dalgacık dönüşümü (ADD) katsayılarından zaman ve spektral alan ve doğrusal olmayan özellikler çıkarılır. Dinamik kip ayrıştırma (DKA), akışkan akış analizindeki sorunlara yinelemeli bir çözüm olarak önerilen yeni bir matris ayrıştırma yöntemidir. Epileptik EEG sinyallerinin analizi için tek kanallı ve çok kanallı EEG tabanlı DKA yaklaşımları sunuyoruz. Üçüncü bir yöntem olarak, nöbet ve nöbet öncesi EEG verilerinin Senkronize Sıkma Dönüşümü (SSD) temsillerini kullanıyoruz. Alzheimer demansı (AD) için, kontrol deneklerinin ve AD hastalarının EEG segmentlerini sınıflandırmak için GKA, GGKA ve ADD gibi çeşitli sinyal ayrıştırma yöntemleri ve Kısa Süreli Fourier Dönüşümü (KSFD) ve SSD gibi Zaman Frekans (ZF) temsiline dayalı yaklaşımlar sunulmaktadır.ABSTRACTEpilepsy and Alzheimer's dementia are highly prevalent among all neurological disorders. In the evaluation of epilepsy, three different approaches are presented to distinguish seizure and seizure-free EEG segments. In the first method, multichannel EEG signals collected from epilepsy patients are decomposed into Intrinsic Mode Functions (IMFs) using Empirical Mode Decomposition (EMD), Ensemble EMD (EEMD) methods, and then essential IMFs are selected. Finally, time- and spectral-domain, and nonlinear features are extracted from selected IMFs and coefficients of discrete wavelet transform (DWT). Dynamic mode decomposition (DMD) is a new matrix decomposition method proposed as an iterative solution to problems in fluid flow analysis. We present single-channel, and multi-channel EEG -based DMD approaches for the analysis of epileptic EEG signals. As a third method, we use the Synchrosqueezing Transform (SST) representations of seizure and pre-seizure EEG data. For Alzheimer's dementia (AD), various signal decomposition methods such as EMD, EEMD, and DWT and Time-Frequency (TF) representation-based approaches such as Short Time Fourier Transform (STFT) and SST are presented to classify EEG segments of control subjects and AD patients.
Eser Adı (dc.title) | Evaluation of some neurological disorders by the analysis of EEG signals EEG sinyallerinin analizi ile bazı nörolojik bozuklukların değerlendirilmesi |
Eser Sahibi (dc.contributor.author) | Karabiber Cura, Özlem |
Tez Danışmanı (dc.contributor.advisor) | Aydın Akan |
Yayıncı (dc.publisher) | Graduate School of Natural and Applied Sciences |
Tür (dc.type) | Doktora Tezi |
Açıklama (dc.description) | xxiv, 169 sayfa |
Açıklama (dc.description) | 29 cm. 1 CD |
Özet (dc.description.abstract) | ÖZETEpilepsi ve Alzheimer demans, tüm nörolojik bozukluklar arasında oldukça yaygındır. Epilepsi değerlendirmesinde nöbet ve nöbetsiz EEG segmentlerini ayırt etmek için üç farklı yaklaşım sunulmaktadır. İlk yöntemde, epilepsi hastalarından toplanan çok kanallı EEG sinyalleri, Görgül Kip Ayrıştırma (GKA), Grup GKA (GGKA) yöntemleri kullanılarak IMF'lere ayrıştırılır ve ardından gerekli IMF'ler seçilir. Son olarak, seçilen IMF'lerden ve ayrık dalgacık dönüşümü (ADD) katsayılarından zaman ve spektral alan ve doğrusal olmayan özellikler çıkarılır. Dinamik kip ayrıştırma (DKA), akışkan akış analizindeki sorunlara yinelemeli bir çözüm olarak önerilen yeni bir matris ayrıştırma yöntemidir. Epileptik EEG sinyallerinin analizi için tek kanallı ve çok kanallı EEG tabanlı DKA yaklaşımları sunuyoruz. Üçüncü bir yöntem olarak, nöbet ve nöbet öncesi EEG verilerinin Senkronize Sıkma Dönüşümü (SSD) temsillerini kullanıyoruz. Alzheimer demansı (AD) için, kontrol deneklerinin ve AD hastalarının EEG segmentlerini sınıflandırmak için GKA, GGKA ve ADD gibi çeşitli sinyal ayrıştırma yöntemleri ve Kısa Süreli Fourier Dönüşümü (KSFD) ve SSD gibi Zaman Frekans (ZF) temsiline dayalı yaklaşımlar sunulmaktadır.ABSTRACTEpilepsy and Alzheimer's dementia are highly prevalent among all neurological disorders. In the evaluation of epilepsy, three different approaches are presented to distinguish seizure and seizure-free EEG segments. In the first method, multichannel EEG signals collected from epilepsy patients are decomposed into Intrinsic Mode Functions (IMFs) using Empirical Mode Decomposition (EMD), Ensemble EMD (EEMD) methods, and then essential IMFs are selected. Finally, time- and spectral-domain, and nonlinear features are extracted from selected IMFs and coefficients of discrete wavelet transform (DWT). Dynamic mode decomposition (DMD) is a new matrix decomposition method proposed as an iterative solution to problems in fluid flow analysis. We present single-channel, and multi-channel EEG -based DMD approaches for the analysis of epileptic EEG signals. As a third method, we use the Synchrosqueezing Transform (SST) representations of seizure and pre-seizure EEG data. For Alzheimer's dementia (AD), various signal decomposition methods such as EMD, EEMD, and DWT and Time-Frequency (TF) representation-based approaches such as Short Time Fourier Transform (STFT) and SST are presented to classify EEG segments of control subjects and AD patients. |
Kayıt Giriş Tarihi (dc.date.accessioned) | 02.11.2022 |
Açık Erişim Tarihi (dc.date.available) | 2022-11-02 |
Yayın Tarihi (dc.date.issued) | 2021 |
Yayın Dili (dc.language.iso) | eng |
Konu Başlıkları (dc.subject) | Elektroensefalogramlar (EEG) |
Konu Başlıkları (dc.subject) | Tanısal teknikler - Nörolojik |
Tek Biçim Adres (dc.identifier.uri) | https://hdl.handle.net/11469/2848 |