Makine öğrenme algoritmaları ile elektroensefalografi analizi ve epilepsi tanı yöntemlerinin geliştirilmesi

Abstract

Yapay sinir ağları teknolojisinin gelişmesiyle birlikte, sağlık alanında insan vücudundan alınan verilerin yorumlanmasında makine öğrenmesi teknikleri uygulanmaktadır. Beyindeki elektriksel aktiviteyi ölçen Elektroensefalografi (EEG), epilepsi hastalığı için en önemli tanı yöntemi olarak kullanılmaktadır. Epilepsi, nörolojik bir hastalık olarak çocuklarda yaygın olarak görülmektedir. EEG ölçümü esnasında çocuklardaki hareketlilik ve beyin gelişimlerinin henüz tamamlanmaması sebebi ile özellikle pediatrik hastalarda tanı koymayı zorlaştırmaktadır. Bu çalışmada Children Hospital Boston tarafından erişime açılmış, yaşları 7-12 arasında değişen 22 hastadan alınan veriler kullanılmıştır. Öncelikle veri setlerinde nöbet dalgalarını içeren görüntü aralıkları belirlenerek ayrık Fourier dönüşümü uygulanmıştır. Hastaların nöbetli ve sağlıklı durumdaki frekans spektrumunun genlik-frekans özellikleri çıkarılmıştır. Makine öğrenmesi sınıflandırması için yapay sinir ağları kullanılarak %92,01 doğruluk oranı elde edilmiştir. Bir sonraki adımda, orijinalinde 256Hz olarak ölçülen EEG sinyalleri örnekleme frekansı 64Hz ile değiştirilerek aynı işlemler tekrarlanmıştır. Yeniden örnekleme ile depolama alanı ve işlemci gücü gibi sınırlayıcı faktörlerin dezavantajları en aza indirgenerek, daha az depolama alanı kullanımı ve daha yüksek işlem hızı elde edilebilir. 64Hz örnekleme frekansı için yapay sinir ağları makine öğrenmesi algoritması ve sınıflandırma teknikleri kullanılarak %95,89 doğruluk oranı elde edilmiştir. Makine öğrenmesi sınıflandırması için destek vektör makineleri (DVM) kullanıldığında ise 256Hz örnekleme frekansı için %97.27 ve 64Hz örnekleme frekansı için %96.80 doğruluk oranı elde edilmiştir.With the development of artificial intelligence technology, methods based on machine learning are preferred in the field of health to interpret of signals received from the human body. Electroencephalography (EEG), which measures the electrical activity of the brain, is used as the most important diagnostic method in epilepsy. Epilepsy as a neurological disease is common in children. Due to the mobility of children during EEG monitoring and the incomplete brain development makes it difficult to diagnose the disease. In this study, datasets obtained from 22 patients aged between 7 and 12 years, with a sampling frequency rate of 256 Hz, provided by Children Hospital Boston, were used. In this study, firstly, the amplitude-frequency characteristics of the frequency spectrum of the patients during the seizure and in the non-seizure state were extracted by determining the time intervals of the seizure-containing imaging in the datasets, using the discrete Fourier transform and data classification. When the artificial neural networks (ANN) techniques were used for machine learning classification ,92.01% accuracy rate was achieved. As a next step, EEG signals were resampled by 64Hz. By resampling, less storage space usage and higher processing speed can be achieved by minimizing the disadvantages of limiting factors such as storage space and processor power. For 64Hz by applying artificial neural networks machine learning and classification methods, 95.89% overall accuracy rate was achieved. When support vector machines (SVM) are used as a classification method, 97.27% accuracy for sampling rate 256Hz and 96.80% accuracy for sampling rate 64Hz was achieved.