SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2022 / Cilt: 13 - Sayı: 3

Migren Tanısında Öncü Sinyal Ayrıştırma Yöntemlerinin Performanslarının Karşılaştırılması

Zülfikar ASLAN
Pages
413–419
Publication Date
2022-09-30
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)

Bu çalışmada gerçekleştirilen deneysel çalışmalar da EMD ayrıştırma yöntemi karşılaştırılan diğer yöntemlere göre MH ve sağlıklı kontrol deneklerin ayırt edilmesinde iyi bir performans sergilediği gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışma, migren hastalığını (MH) Elektroensefalogram (EEG) verisi kullanarak otomatik olarak teşhisini gerçekleştirmek amacıyla bir bilgisayar destekli tanı sistemi sunmaktadır.
📊
Key Findings & Data:Ayrıca önerilen yöntemin farklı ayrıştırma yöntemleri ile test edilerek karşılaştırmalı analizi gerçekleştirilmiştir.
💡
Conclusion & Impact:Bu çalışmada gerçekleştirilen deneysel çalışmalar da EMD ayrıştırma yöntemi karşılaştırılan diğer yöntemlere göre MH ve sağlıklı kontrol deneklerin ayırt edilmesinde iyi bir performans sergilediği gözlemlenmiştir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Migren Teşhisi · Elektroensefalografi · Ayrıştırma Yöntemleri

Özet

Bu çalışma, migren hastalığını (MH) Elektroensefalogram (EEG) verisi kullanarak otomatik olarak teşhisini gerçekleştirmek amacıyla bir bilgisayar destekli tanı sistemi sunmaktadır. Ayrıca önerilen yöntemin farklı ayrıştırma yöntemleri ile test edilerek karşılaştırmalı analizi gerçekleştirilmiştir. EEG sinyalleri Çok Ölçekli Temel Bileşen Analizi (MSPCA) uygulanarak var olan gürültüler giderildikten sonra, Ayarlanabilir Q Faktör Dalgacık Dönüşümü (TQWT), Ampirik Mod Ayrıştırma (EMD) ve Ampirik Dalgacık Dönüşümü (EWT) ayrıştırma yöntemleri ile içsel mod fonksiyonları (IMF) bileşenlerine ayrılmıştır. Her bir IMF bileşeninden istatistiksel özellikler hesaplanarak özellik çıkarım işlemi gerçekleştirilmiştir. Sınıflandırma performansları, her bir IMF bileşeninin özellikleri, Rastgele Orman algoritması ile sınıflandırılarak test edilmiştir. En yüksek sınıflandırma doğruluğu IMF1 ve IMF2 bileşenlerinden elde edilmiştir. IMF1 bileşenine ait özelliklerin Rastgele Orman algoritması ile sınıflandırılmasıyla TQWT için 88.9%, EMD için 92.47% ve EWT için 81.41% sınıflandırma başarımı elde edilmiştir. Bu çalışmada gerçekleştirilen deneysel çalışmalar da EMD ayrıştırma yöntemi karşılaştırılan diğer yöntemlere göre MH ve sağlıklı kontrol deneklerin ayırt edilmesinde iyi bir performans sergilediği gözlemlenmiştir.

🔖

Cite This Article

ASLAN, Z. (2022). Migren Tanısında Öncü Sinyal Ayrıştırma Yöntemlerinin Performanslarının Karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 13 - Sayı: 3, 413–419. https://ajindex.com/articles/858756

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. D. Weatherspoon, “Everything You Want to Know About Migraine,” 2017. [Online]. Available: https://www.healthline.com/health/migraine. [Accessed: 17-Sep-2021]
  2. V. Ulrich, M. Gervil, K. O. Kyvik, J. Olesen, and M. B. Russell, “Evidence of a genetic factor in migraine with aura: a population-based Danish twin study,” Ann. Neurol. Off. J. Am. Neurol. Assoc. Child Neurol. Soc., vol. 45, no. 2, pp. 242–246, 1999.
  3. Z.-H. Cao, L.-W. Ko, K.-L. Lai, S.-B. Huang, S.-J. Wang, and C.-T. Lin, “Classification of migraine stages based on resting-state EEG power,” in 2015 International Joint Conference on Neural Networks (IJCNN), 2015, pp. 1–5.
  4. S. Siuly, S. K. Khare, V. Bajaj, H. Wang, and Y. Zhang, “A Computerized Method for Automatic Detection of Schizophrenia Using EEG Signals,” IEEE Trans. Neural Syst. Rehabil. Eng., 2020.
  5. Z. ASLAN and M. AKIN, “A COMPARISON OF HEURISTIC SEARCH ALGORITHMS IN AUTOMATIC DETECTION OF SCHIZOPHRENIA,” in 4TH INTERNATIONAL ENERGY & ENGINEERING CONGRESS, 2019, pp. 1248–1258
  6. Z. ASLAN and M. AKIN, “Automatic detection of schizophrenia by applying deep learning over spectrogram images of EEG signals,” Trait. du Signal, 2020.
  7. S. B. Akben, D. Tuncel, and A. Alkan, “Classification of multi-channel EEG signals for migraine detection.,” Biomed. Res., vol. 27, no. 3, pp. 743--748, 2016
  8. A. R. Hassan, S. Siuly, and Y. Zhang, “Epileptic seizure detection in EEG signals using tunable-Q factor wavelet transform and bootstrap aggregating,” Comput. Methods Programs Biomed., vol. 137, pp. 247–259, 2016.
  9. Z. Yin, Z. Dong, X. Lu, S. Yu, X. Chen, and H. Duan, “A clinical decision support system for the diagnosis of probable migraine and probable tension-type headache based on case-based reasoning,” J. Headache Pain, vol. 16, no. 1, pp. 1–9, 2015.
  10. B. Krawczyk, D. Simić, S. Simić, and M. Woźniak, “Automatic diagnosis of primary headaches by machine learning methods,” Cent. Eur. J. Med., vol. 8, no. 2, pp. 157–165, 2013.
  11. A. Subasi, A. Ahmed, E. Aličković, and A. R. Hassan, “Effect of photic stimulation for migraine detection using random forest and discrete wavelet transform,” Biomed. Signal Process. C