Epileptic EEG Detection Using Classifiers Decision Trees and Decision Rules

EPİLEPTİK EEG İŞARETLERİNİN SINIFLANDIRILMASINDA KARAR KURALLARI VE KARAR AĞAÇLARININ KULLANILMASI

Abstract

Epilepsy is a well defined chronic neurological disorder usually characterized by seizures which are transient symptoms of abnormal or hyper synchronous neuronal activity in the brain. Electroencephalography (EEG) is one of the most common methods in diagnosis of epilepsy.In this study, decision trees( ADTree, Functional Tree, J48, NBTree) and decision rules (Furia, DTNB, Jrip, PART, Ridor) classifier algorithms were implemented for statistical features of EEG signal that obtained with discreate wavelet transformation. The obtained results show that decision rules and trees classifier algorithms performed a good performance and high prediction on epileptic EEG signals. For various combinations of epileptic EEG data sets the accury was ranged from 96.6% to 99.70%.

Özet

Epilepsi, genellikle nöbetler şeklinde kendini gösteren beyinde bir grup nöronun anormal aktivitesi sonucu dengesiz vücut hareketleri, bilinç kaybı veya kas kasılmalarına neden olan sinirsel bir hastalıktır. EEG işaretleri epilepsi hastalığın teşhisinde yaygın bir şekilde kullanılmaktadır. Bu çalışmada Ayrık Dalgacık Dönüşümü ile EEG işaretlerinin spektral çözümlemesi yapılmış ve elde edilen her bir spektral bileşenin istatistiksel bazı özellikleri baz alınarak karar ağaçları (ADTree, Functional Tree, J48, NBTree,) ve karar kuralları (Furia, DTNB, Jrip, PART, Ridor) yöntemleri ile sınıflandırma işlemi gerçekleştirilmiştir. Sonuçlara bakıldığında karar ağaçları ve karar kuralları epileptik EEG işaretlerin sınıflandırılmasında yüksek performans gösterdiğigörülmüştür. Farklı kombinasyonlardaki EEG veri kümelerin sınıflandırılmasında elde edilen sınıflandırma başarı oranları %96,6 ile %99,70 arasında değişim göstermiştir.