EEG işaretlerinin dalgacık sinir ağı ile sınıflandırılması

Özet

Epilepsi terapisinde EEG en önemli bilgi kaynağı olduğu için, birçok araştırmacı EEG'den bu amaca uygun bilgi elde etmeye çalışmışlardır. Bu çalışmada sunulan yeni metotta, EEG'de en yüksek olabilirlik kestirimi(maximum likelihood estimation:MLE) kullanılarak elde edilen öz bağlanımlı (AR) ve hızlı fourier dönüşümü (HFD) metotları uygulanarak katsayılar elde edilmiştir. Bu katsayılar dalgacık sinir ağına girilerek, çıkışta epileptik veya değil şeklinde sınıflandırma gerçekleştirilmiştir. İşaretteki özelliklerin belirlenerek hekime tanı işleminde yardımcı olacak, otomatik bir sistem elde edilmesi amaçlanmıştır. MLE kullanan öz bağlanımlı yöntem ile dalgacık sinir ağı kullanılarak, yeni ve güvenli bir sınıflandırıcı mimarisi elde edilmiştir. Ağ, morlet ana dalgacığı temel fonksiyonunu düğüm aktivasyon fonksiyonu olarak kullanan, geri yayılımlı sinir ağıyla oluşturulmuştur. Dalgacık sinir ağıyla yapılan EEG sınıflandırmasının daha iyi sonuçlar verdiği ve bu sonuçların hastalık teşhisinde kullanılabileceği görülmüştür.

Abstract

Since EEG is one of the most important sources of information in therapy of epilepsy, several researchers tried to address the issue of decision support for such a data. We present a novel method for classifying epilepsy of full spectrum EEG recordings. This novel method uses autoregressive (AR) model by using maximum likelihood estimation (MLE) of EEG signals as an input to a wavelet neural networks (WNNs) with two discrete outputs: epileptic seizure or non-epileptic seizure. By identifying features in the signal we want to provide an automatic system that will support a physician in the diagnosing process. By applying AR with MLE in connection with wavelet neural network, a novel and reliable classifier architecture is obtained. The network is constructed by the error backpropagation neural network using Morlet mother wavelet basic function as node activation function. It is observed that, WNN classification of EEG signals gives better results and these results can also be used for diagnosis of diseases.