SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2023 / Cilt: 35 - Sayı: 1

Alkolik ve Normal EEG Sinyallerinin Zaman-Alan Tanımlayıcı Analizi Tabanlı Otomatik Sınıflandırılması

Berna ARI
Pages
291–300
Publication Date
2023-03-28
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 yöntem alkolik bireylerin otomatik tespitinde uzmanlara yardımcı olabilecektir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Alkolizm, beyin problemlerine ve buna bağlı bilişsel, duygusal ve davranışsal bozukluklara yol açan ciddi bir hastalıktır.
📊
Key Findings & Data:Önerilen yöntem, tek kanallı EEG sinyallerinin dalgacık paket ayrıştırma ile farklı frekans alt bantlarına ayrılması, zaman-alan tanımlayıcıları ile öznitelik çıkarımı ve topluluk torbalama ağaçları ile sınıflandırma aşamalarından oluşmaktadır.
💡
Conclusion & Impact:Bu yöntem alkolik bireylerin otomatik tespitinde uzmanlara yardımcı olabilecektir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:EEG · dalgacık paket ayrıştırma · zaman-alan tanımlayıcıları

Özet

Alkolizm, beyin problemlerine ve buna bağlı bilişsel, duygusal ve davranışsal bozukluklara yol açan ciddi bir hastalıktır. Alkolizmi tespit etmek için öne çıkan kaynaklardan biri, Elektroensefalogram (EEG) sinyallerini analiz etmektir. Fakat alkolik EEG sinyallerinin sınıflandırılması, alkolik kişilerin beyin hastalıklarının tanı ve tedavisine yönelik biyomedikal araştırmalarda zorlu bir süreçtir. Bu çalışmada, alkolik EEG sinyallerinden zaman-alan tanımlayıcılarına ve topluluk öğrenmesine dayalı otomatik olarak tanımlayan yeni bir yöntem sunulmaktadır. Önerilen yöntem, tek kanallı EEG sinyallerinin dalgacık paket ayrıştırma ile farklı frekans alt bantlarına ayrılması, zaman-alan tanımlayıcıları ile öznitelik çıkarımı ve topluluk torbalama ağaçları ile sınıflandırma aşamalarından oluşmaktadır. Tek kanallı EEG veri seti ile yapılan deneysel çalışmalarda %97,50 başarım sağlanmıştır. Deneysel sonuçlar önerilen yöntemin, son teknoloji yöntemlere kıyasla daha iyi bir performansa sahip olduğunu göstermektedir. Bu yöntem alkolik bireylerin otomatik tespitinde uzmanlara yardımcı olabilecektir.

🔖

Cite This Article

ARI, B. (2023). Alkolik ve Normal EEG Sinyallerinin Zaman-Alan Tanımlayıcı Analizi Tabanlı Otomatik Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 35 - Sayı: 1, 291–300. https://ajindex.com/articles/885965

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Oscar-Berman, M., & Marinković, K. (2007). Alcohol: effects on neurobehavioral functions and the brain. Neuropsychology review, 17(3), 239-257.
  2. Shen, M., Wen, P., Song, B., & Li, Y. (2023). Detection of alcoholic EEG signals based on whole brain connectivity and convolution neural networks. Biomedical Signal Processing and Control, 79, 104242. Das, D., Zhou, S., & Lee, J. D. (2012). Differentiating alcohol-induced driving behavior using steering wheel signals. IEEE Transactions on Intelligent Transportation Systems, 13(3), 1355-1368.
  3. World Health Organization. (2018). What Quantitative and Qualitative Methods Have Been Developed to Measure Community Empowerment at a National Level? (Vol. 59). World Health Organization. Sadiq, M. T., Akbari, H., Siuly, S., Li, Y., & Wen, P. (2022). Alcoholic EEG signals recognition based on phase space dynamic and geometrical features. Chaos, Solitons & Fractals, 158, 112036.
  4. Khan, D. M., Yahya, N., Kamel, N., & Faye, I. (2021). Effective connectivity in default mode network for alcoholism diagnosis. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 29, 796-808.
  5. Demir, F., Sengur, A., Ari, A., Siddique, K., & Alswaitti, M. (2021). Feature Mapping and Deep Long Short Term Memory Network-Based Efficient Approach for Parkinson’s Disease Diagnosis. IEEE Access, 9, 149456-149464.
  6. Gökşen, N., & Arıca, S. (2017). A simple approach to detect alcoholics using electroencephalographic signals. In EMBEC & NBC 2017 (pp. 1101-1104).
  7. Springer, Singapore. Mumtaz, W., Vuong, P. L., Xia, L., Malik, A. S., & Rashid, R. B. A. (2017). An EEG-based machine learning method to screen alcohol use disorder. Cognitive neurodynamics, 11(2), 161-171.
  8. Bajaj, V., Guo, Y., Sengur, A., Siuly, S., & Alcin, O. F. (2017). A hybrid method based on time–frequency images for classification of alcohol and control EEG signals. Neural Computing and Applications, 28(12), 3717-3723.
  9. Fayyaz, A., Maqbool, M., & Saeed, M. (2019, August). Classifying alcoholics and control patients using deep learning and peak visualization method. In Proceedings of the 3rd International Conference on Vision, Image and Signal Processing (pp. 1-6).
  10. Agarwal, S., & Zubair, M. (2021). Classification of Alcoholic and Non-Alcoholic EEG Signals Based on Sliding-SSA and Independent Component Analysis. IEEE Sensors Journal, 21(23), 26198-26206.
  11. Dong, H., Li, T., Ding, R., & Sun, J. (2018). A novel hybrid genetic algorithm with granular information for feature selection and optim