KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 26 Sayı: 3

EŞİT GENİŞLİKLİ AYRIKLAŞTIRMA YÖNTEMİNE DAYALI YENİ BİR ÖZELLİK ÇIKARTMA YAKLAŞIMI VE YAPAY SİNİR AĞI KULLANARAK EPİLEPTİK ATAK TESPİTİ

Umut Orhan
Mahmut Hekim
Mahmut Özer
Sayfa
—
Yayın Tarihi
2013-02-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu sonuç, önerilenözellik çıkartma yöntemi sayesinde, doğrusal sınıflayıcıların da epileptik atak tespiti problemini çözebileceğinigöstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, eşit genişlikli ayrıklaştırma (EGA) yöntemine dayalı yeni bir özellik çıkartma yaklaşımı önerilmişve Elektroensefalogram (EEG) işaretlerinden epileptik atak tespitinde bu yaklaşım ile elde edilen istatikselözellikler çok katmanlı algılayıcı sinir ağı (ÇKASA) modeline giriş olarak kullanılmıştır.
📊
Temel Bulgular & Veri:Bu amaç için, EEGişaretleri EGA yöntemi ile ayrıklaştırılmış, her ayrık bölgenin yoğunluğuna dayalı histogramları elde edilmiş vehem gizli katmansız hem de 5 nörona sahip tek gizli katmanlı iki ÇKASA modeline giriş vektörü olarakuygulanmıştır.
💡
Sonuç & Katkı:Bu sonuç, önerilenözellik çıkartma yöntemi sayesinde, doğrusal sınıflayıcıların da epileptik atak tespiti problemini çözebileceğinigöstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Eşit genişlikli ayrıklaştırma · biyomedikal işaret işleme · EEG işaretleri

Özet

Bu çalışmada, eşit genişlikli ayrıklaştırma (EGA) yöntemine dayalı yeni bir özellik çıkartma yaklaşımı önerilmişve Elektroensefalogram (EEG) işaretlerinden epileptik atak tespitinde bu yaklaşım ile elde edilen istatikselözellikler çok katmanlı algılayıcı sinir ağı (ÇKASA) modeline giriş olarak kullanılmıştır. Bu amaç için, EEGişaretleri EGA yöntemi ile ayrıklaştırılmış, her ayrık bölgenin yoğunluğuna dayalı histogramları elde edilmiş vehem gizli katmansız hem de 5 nörona sahip tek gizli katmanlı iki ÇKASA modeline giriş vektörü olarakuygulanmıştır. Her iki ÇKASA modeli de epileptik atak tespitinde yüksek başarı sağlamıştır. Bu sonuç, önerilenözellik çıkartma yöntemi sayesinde, doğrusal sınıflayıcıların da epileptik atak tespiti problemini çözebileceğinigöstermektedir. Sonuç olarak, EGA histogramı yaklaşımı biyomedikal işaret işlemede yeni bir özellik çıkartmayöntemi olarak kullanılabilir.

🔖

Bu Makaleye Atıf Yap

Orhan, U., Hekim, M., Özer, M. (2013). EŞİT GENİŞLİKLİ AYRIKLAŞTIRMA YÖNTEMİNE DAYALI YENİ BİR ÖZELLİK ÇIKARTMA YAKLAŞIMI VE YAPAY SİNİR AĞI KULLANARAK EPİLEPTİK ATAK TESPİTİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 3. https://ajindex.com/articles/1078529

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (137)

  1. Adeli, H., Zhou, Z., ve Dadmehr, N., “Analysis
  2. of EEE Records in an Epileptic Patient using Wavelet Transform”, Journal of Neuroscience
  3. Methods, No 123, 69–87, 2003.
  4. Güler, İ., ve Übeyli, E. D., “Adaptive Neuro-
  5. Fuzzy Inference System for Classification of
  6. EEG Signals using Wavelet Coefficients”,
  7. Journal of Neuroscience Methods, No 148,
  8. 121, 2005.
  9. Khan, Y. U., ve Gotman, J., “Wavelet Based
  10. Automatic Seizure Detection in Intra-cerebral
  11. Electroencephalogram”, Clinical Neurophysiology,
  12. , 898–908, 2003.
  13. Kıymık, M. K., Akın, M., ve Subaşı, A.,
  14. “Automatic Recognition of Alertness Level by
  15. using Wavelet Transform and Artificial Neural
  16. Network”, Journal of Neuroscience Methods,
  17. , 231–240, 2004.
  18. Ocak, H., “Automatic Detection of Epileptic
  19. Seizures in EEG using Discrete Wavelet
  20. Transform and Approximate Entropy”, Expert
  21. Systems with Applications, No 36, 2027–2036,
  22. Subaşı, A., “Automatic Recognition of Alertness
  23. Level from EEG by using Neural Network and
  24. Wavelet Coefficients”, Expert Systems with
  25. Applications, No 28, 701–711, 2005.
  26. Subaşı, A., “Epileptic Seizure Detection using
  27. Dynamic Wavelet Network”, Expert Systems
  28. with Applications, No 29, 343–355, 2005.
  29. Subaşı, A., “Automatic Detection of Epileptic
  30. Seizure using Dynamic Fuzzy Neural Networks”,
  31. Expert Systems with Applications, No 31, 320–, 2006.
  32. Subaşı, A., “EEG Signal Classification using
  33. Wavelet Feature Extraction and a Mixture of
  34. Expert Model”, Expert Systems with
  35. Applications, No 32, 1084–1093, 2007.
  36. Übeyli, E. D., “Combined Neural Network Model
  37. Employing Wavelet Coefficients for EEG Signals
  38. Classification”, Digital Signal Processing, No, 297–308, 2009.
  39. Übeyli, E. D., “Decision Support Systems for
  40. Time-Varying Biomedical Signals: EEG Signals
  41. Classification”, Expert Systems with
  42. Applications, No 36, 2275–2284, 2009.
  43. Alkan, A., Köklükaya, E., ve Subaşı, A.,
  44. “Automatic Seizure Detection in EEG using
  45. Logistic Regression and Artificial Neural
  46. , 167–176, 2005.
  47. Subaşı, A., ve Ercelebi, E., “Classification of
  48. EEG Signals using Neural Network and Logistic
  49. Regression”, Computer Methods and
  50. Programs in Biomedicine, No 78, 87–99, 2005.
  51. Altunay, S., Telatar, Z., ve Eroğul, O., “Epileptic
  52. EEG Detection using the Linear Prediction Error
  53. Energy”, Expert Systems with Applications,
  54. Cilt 37, No 8, 5661–5665, 2010.
  55. Acır, N., “Automated System for Detection of
  56. Epileptiform Patterns in EEG by using a
  57. Modified RBFN Classifier”, Expert Systems
  58. with Applications, Cilt 29, No 2, 455–462, 2005.
  59. Subaşı, A., “Application of Adaptive Neuro-
  60. Fuzzy Inference System for Epileptic Seizure
  61. Detection using Wavelet Feature Extraction”,
  62. Computers in Biology and Medicine, Cilt 37,
  63. , 227–244, 2007.
  64. Aslan, K., Bozdemir, H., Şahin, S., Oğulata, S. N.,
  65. ve Erol, R., “A Radial Basis Function Neural
  66. Network Model for Classification of Epilepsy
  67. using EEG Signals”, The Journal of Medical
  68. Systems, No 32, 403–408, 2008.
  69. Petrosian, A., Prokhorov, D., Homan, R., Dashei,
  70. R., ve Wunsch, D., “Recurrent Neural Network
  71. Based Prediction of Epileptic Seizures in Intra
  72. and Extra-cranial EEG”, Neurocomputing, No, 201–218, 2000.
  73. Srinivasan, V., Eswaran, C., ve Sriraam, N.,
  74. “Artificial Neural Network based Epileptic
  75. Detection using Time-Domain and Frequency-
  76. Domain Features”, Journal of Medical Systems,
  77. Cilt 29, No 6, 647–660, 2005.
  78. Pradhan, N., Sadasivan, P. K., ve Arunodaya, G.
  79. R., “Detection of Seizure Activity in EEG by an
  80. Artificial Neural Network: A Preliminary Study”,
  81. Computers and Biomedical Research, No 29,
  82. 313, 1996.
  83. Übeyli, E. D., “Analysis of EEG Signals by
  84. Combining Eigenvector Methods and Multi-class
  85. Support Vector Machines”, Computers in
  86. Biology and Medicine, Cilt 38, No 1, 14–22,
  87. Kıymık, M. K., Subaşı, A., ve Özçalık, H. R.,
  88. “Neural Networks with Periodogram and
  89. Autoregressive Spectral Analysis Methods in
  90. Detection of Epileptic Seizure”, Journal of
  91. Medical Systems, Cilt 28, No 6, 511–522, 2004.
  92. Kıymık, M. K., Güler, İ., Dizibüyük, A., and
  93. Akın, M., “Comparison of STFT and Wavelet
  94. Transform Methods in Determining Epileptic
  95. Seizure Activity in EEG Signals for Real-time
  96. Application”, Computers in Biology and
  97. Medicine, Cilt 35, No 7, 603-616, 2005.
  98. Andrzejak, R. G., Lehnertz, K., Mormann, F.,
  99. Rieke, C., David, P., ve Elger, C. E., “Indications
  100. of Nonlinear Deterministic and Finite-
  101. Dimensional Structures in Time Series of Brain
  102. Electrical Activity: Dependence on Recording
  103. Region and Brain State”, Physical Review E,
  104. Cilt 64, No 6, 061907, 2001.
  105. Hsu, C. N., Huang, H., J., Wong, T. T.,
  106. “Implications of the Dirichlet Assumption for
  107. Discretization of Continuous Variables in Naive
  108. Bayesian Classifiers”, Machine Learning, Cilt, No 3, 235–263, 2003.
  109. Jiang, S., Li, X., Zheng, Q., ve Wang, L.,
  110. “Approximate Equal Frequency Discretization
  111. Method”, Global Congress on Intelligent
  112. Systems, 514-518, 2009.
  113. Tay, E. H., ve Shen, L., “A Modified Chi2
  114. Algorithm for Discretization”, IEEE
  115. Transactions on Knowledge and Data
  116. Engineering, Cilt 14, No 3, 666–670, 2002.
  117. Gang, L. ve Tong, F., “An Unsupervised
  118. Discretization Algorithm based on Mixture
  119. Probabilistic Model”, Chinese Journal of
  120. Computers, Cilt 25, No 2, 158–164, 2002.
  121. Lee, C.H., “A Hellinger-based Discretization
  122. Method for Numeric Attributes in Classification
  123. Learning”, Knowledge-Based Systems, Cilt 20,
  124. , 419–425, 2007.
  125. Fayyad, U.M, ve Irani, K.B., “Multi-interval
  126. Discretization of Continuous Valued Attributes
  127. for Classification Learning”, Proc. of the 13th
  128. International Joint Conference on Artificial
  129. Intelligence, 1022–1029, 1993.
  130. Clarke, E.J. ve Braton, B.A., “Entropy and MDL
  131. Discretization of Continuous Variables for
  132. Bayesian Belief Networks”, International
  133. Journal of Intelligence Systems, No 15, 61–92,
  134. Xi, J. Ouyang, W.M., “Clustering based
  135. Algorithm for Best Discretizing Continuous
  136. Valued Attributes”, Mini-micro systems, Cilt 21,
  137. , 1025–1027, 2000.