SavedAdd your journal

Journals / Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji / 2017 / Cilt: 5 - Sayı: 3

Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı

Mehmet Siraç ÖZERDEM
Ömer TÜRK
Pages
97–107
Publication Date
2022-10-18
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Elektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır.
📊
Key Findings & Data:Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır.
💡
Conclusion & Impact:Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Epilepsi · k-NN

Özet

Elektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır. Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır. Bir boyutklu medyan yerel ikili örüntü (1B-MYİÖ) yöntemi uygulanarak elde edilen özniteliklerin k-En Yakın Komşu (k-NN) sınıflandırıcısı ile sınıflandırılması amaçlanmıştır. Çalışmada geliştirilen 1B-MYİÖ yönteminin öznitelik olarak sınıflandırma başarısı değerlendirilmiştir. Bu sınıflandırma için karışıklık matrisi hesaplanarak model başarım ölçümü yapılmıştır. Çalışmada A-E veri setleri için sınıflandırma performansı %100.0, A-D veri setleri için %99.00, D-E veri setleri için %98.00, E-CD veri setleri için %99.50 ve A-D-E veri setleri için de %96.00 olarak bulunmuştur. Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.

Keywords
🔖

Cite This Article

ÖZERDEM, M. S., TÜRK, Ö. (2022). Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Cilt: 5 - Sayı: 3, 97–107. https://ajindex.com/articles/522221

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Acharya U.R. et al., “Automated EEG Analysis of Epilepsy:” a Review, Know. Based Syst. 45,147–165, 2013
  2. Iasemidis L.D.,et al. “Adaptiveepileptic seizure prediction system”, IEEE Trans. Biomed. Eng. 50 (5), 616–627, 2003
  3. Kumar T. S., Kanhangad V., Pachori R. B., “Classification of seizure and seizure-free EEG signals using localbinary patterns”, Biomedical Signal Processing and Control 15,33–40, 2015
  4. Kaya Y., Uyar M., Tekin R., Yıldırım S., “1D-local binary pattern based feature extraction for classification of epileptic EEG signals”, Applied Math.&Computation 243209–219, 2014
  5. Kaya Y., Sezgin N., Tekin R., “Tıkayıcı uyku apnesi sendromunun tespiti için tek boyutlu yerel ikili örüntü tabanlı yeni bir yaklaşım”, Sinyal İşleme Uygulamaları (SİU), 2014
  6. Ertuğrul Ö. F., Kaya Y., Tekin R., Almalı M. N., “Detection of Parkinson’s disease by Shifted One Dimensional Local Binary Patterns from Gait”, Expert Systems With Applications 56,156–163, 2016
  7. Aiswal K. J, Banka H., “Local pattern transformation based feature extraction techniques forclassification of epileptic EEG signals”, Biomedical Signal Proc. and Control 34,81–92, 2017
  8. Reza B., Foroozan K., Mohammad N., “A comparative review on sleep stage classification methods in patients and healthy individuals”, Computer Methods and Programs in Biomedicine 140, 77–91, 2017. 9.
  9. Ahonen T., Hadid A., Pietikainen M., “Face description with local binarypatterns: application to face recognition”, IEEE Trans. Pattern Anal. Mach.Intell. 28 (12),2037–2041, 2006
  10. Chatlani N., Soraghan J.J., “Local binary patterns for 1-D signal processing”, in:18th European Signal Processing Conference (EUSIPCO-2010), pp.95–99, 2010
  11. Lee S., Kang P.,, Cho S., “Probabilistic local reconstruction for k-NN regression and its application to virtual metrology in semi conductor manufacturing”, Neurocomputing-131,427–439, 2014
  12. Eren Ö., “Alerjen proteinlerin otomatik olarak sınıflandırılması”, Başkent üniversitesi Fen Bilimleri Enstitüsü Y.Lisans Tezi, 2008
  13. Kumar Y., Dewal M., Anand R., “Epileptic seizure detection using dwt basedfuzzy approximate entropy and support vector machine”, Neurocomputing133, 271–279, 2014
  14. Polat K., Günes S.¸ “Classification of epileptiform EEG using a hybrid systembased on decision tree classifier and fast fourier transform”, Appl. Math.Comput. 187 (2),1017–1026, 2007
  15. Lee S.H., Lim J.S.,