KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji / 2017 / Cilt: 5 - Sayı: 3

Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı

Mehmet Siraç ÖZERDEM
Ömer TÜRK
Sayfa
97–107
Yayın Tarihi
2022-10-18
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)

Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır.
📊
Temel Bulgular & Veri:Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır.
💡
Sonuç & Katkı:Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Epilepsi · k-NN

Özet

Elektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır. Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır. Bir boyutklu medyan yerel ikili örüntü (1B-MYİÖ) yöntemi uygulanarak elde edilen özniteliklerin k-En Yakın Komşu (k-NN) sınıflandırıcısı ile sınıflandırılması amaçlanmıştır. Çalışmada geliştirilen 1B-MYİÖ yönteminin öznitelik olarak sınıflandırma başarısı değerlendirilmiştir. Bu sınıflandırma için karışıklık matrisi hesaplanarak model başarım ölçümü yapılmıştır. Çalışmada A-E veri setleri için sınıflandırma performansı %100.0, A-D veri setleri için %99.00, D-E veri setleri için %98.00, E-CD veri setleri için %99.50 ve A-D-E veri setleri için de %96.00 olarak bulunmuştur. Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.

Anahtar kelimeler
🔖

Bu Makaleye Atıf Yap

ÖZERDEM, M. S., TÜRK, Ö. (2022). Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Cilt: 5 - Sayı: 3, 97–107. https://ajindex.com/articles/522221

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Acharya U.R. et al., “Automated EEG Analysis of Epilepsy:” a Review, Know. Based Syst. 45,147–165, 2013
  2. Iasemidis L.D.,et al. “Adaptiveepileptic seizure prediction system”, IEEE Trans. Biomed. Eng. 50 (5), 616–627, 2003
  3. Kumar T. S., Kanhangad V., Pachori R. B., “Classification of seizure and seizure-free EEG signals using localbinary patterns”, Biomedical Signal Processing and Control 15,33–40, 2015
  4. Kaya Y., Uyar M., Tekin R., Yıldırım S., “1D-local binary pattern based feature extraction for classification of epileptic EEG signals”, Applied Math.&Computation 243209–219, 2014
  5. Kaya Y., Sezgin N., Tekin R., “Tıkayıcı uyku apnesi sendromunun tespiti için tek boyutlu yerel ikili örüntü tabanlı yeni bir yaklaşım”, Sinyal İşleme Uygulamaları (SİU), 2014
  6. Ertuğrul Ö. F., Kaya Y., Tekin R., Almalı M. N., “Detection of Parkinson’s disease by Shifted One Dimensional Local Binary Patterns from Gait”, Expert Systems With Applications 56,156–163, 2016
  7. Aiswal K. J, Banka H., “Local pattern transformation based feature extraction techniques forclassification of epileptic EEG signals”, Biomedical Signal Proc. and Control 34,81–92, 2017
  8. Reza B., Foroozan K., Mohammad N., “A comparative review on sleep stage classification methods in patients and healthy individuals”, Computer Methods and Programs in Biomedicine 140, 77–91, 2017. 9.
  9. Ahonen T., Hadid A., Pietikainen M., “Face description with local binarypatterns: application to face recognition”, IEEE Trans. Pattern Anal. Mach.Intell. 28 (12),2037–2041, 2006
  10. Chatlani N., Soraghan J.J., “Local binary patterns for 1-D signal processing”, in:18th European Signal Processing Conference (EUSIPCO-2010), pp.95–99, 2010
  11. Lee S., Kang P.,, Cho S., “Probabilistic local reconstruction for k-NN regression and its application to virtual metrology in semi conductor manufacturing”, Neurocomputing-131,427–439, 2014
  12. Eren Ö., “Alerjen proteinlerin otomatik olarak sınıflandırılması”, Başkent üniversitesi Fen Bilimleri Enstitüsü Y.Lisans Tezi, 2008
  13. Kumar Y., Dewal M., Anand R., “Epileptic seizure detection using dwt basedfuzzy approximate entropy and support vector machine”, Neurocomputing133, 271–279, 2014
  14. Polat K., Günes S.¸ “Classification of epileptiform EEG using a hybrid systembased on decision tree classifier and fast fourier transform”, Appl. Math.Comput. 187 (2),1017–1026, 2007
  15. Lee S.H., Lim J.S.,