Dergiler / Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2014 / Cilt: 18 - Sayı: 2
EEG işaretlerinin epileptik analizi için boyut azaltmanın etkileri
- Sayfa
- 93–97
- DOI
- —
Özet
EEG işaretleri epilepsi çalışmalarında yaygın olarak kullanılmaktadır. Bu işaretlerin özelliklerinden yararlanaraknöbet algılayan birçok yöntem önerilmiştir. Elde edilen özellik matrisi farklı sınıflandırıcılar kullanılaraksınıflandırılmaktadır. İşlem yükü özellik matrisinin boyutuyla doğrudan ilgilidir. Gerçek zamanlı uygulamalardaişlem yükünün fazla olması başlıca sorunlardandır. Bu problemi çözmek için özellik seçimi ve boyut azaltımıkullanılmaktadır. Bu çalışmada boyut azaltımının sınıflandırıcı performansları üzerindeki etkileri incelenmiştir.Sağlıklı ve epileptik bireylerden farklı koşullarda alınan EEG işaretlerinden, 300x16 boyutunda özellik matrisi eldeedilmiştir. Bu matris Çok Katmanlı Yapay Sinir Ağları, Lineer Diskriminant Analizi ve Destek Vektör Makineleriyöntemleri kullanılarak sınıflandırılmıştır. Özellik matrisinin boyutu Temel Bileşenler Analiziyle 300x5 boyutunaindirgenmiştir. Sınıflandırma işlemleri boyutu indirgenmiş özellik matrisi için tekrarlanmıştır. Her iki durum içinsonuçlar karşılaştırılmıştır.
Abstract
EEG signals are widely used epilepsy studies. Utilizing features of these signals, a great number of methods have been proposed for seizure detection. Obtained feature matrix is classified using different classifiers. Processing load is directly related to the size of the matrix. For real time applications, it is major problem that processing load is too much. Dimension reduction and feature selection use to eliminate this problem. In this study, effects of size reduction on classifiers' performances are investigated. A feature matrix of size 300x16 has obtained from EEG signals, which were taken from healthy and epileptic subjects in different conditions. This matrix has been classified using Multilayer Perceptron Neural Networks (MLPNN), Linear Discriminant Analysis (LDA) and Support Vector Machines (SVM). Feature matrix has been reduced to 300x5 size using Principal Component Analysis (PCA). New feature matrix has been classified using the same classifiers again. The results of both conditions have been compared.