Ayrık kosinüs dönüşümü kullanarak EEG sinyallerinden otomatik epilepsi teşhisi
Yükleniyor...
Tarih
2020
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Institute of Electrical and Electronics Engineers Inc.
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
In this study, 1-dimensional (1D) biomedical signal analysis based on the Discrete Cosine Transform (DCT) feature extraction method was performed to diagnose high-accuracy epilepsy disease. For the diagnosis of epilepsy, Electroencephalogram (EEG) data were used for 1-dimensional (1D) signal analysis. In addition to DCT, statistical methods such as mean, variance, standard deviation, kurtosis, skewness were applied to 1-dimensional EEG data. The most useful features were selected by applying PCA, LDA, Forward Selection and Backward Selection methods to the obtained feature vectors. EEG features of Healthy, and Epilepsy classification was made as a two-cluster. As a result of the classification realized by the Multilayer Perceptron ANN method; 96% success of 1-dimensional EEG data by using the PCI method selected features. Removing artefacts the original EEG data with ICA (Independent Component Analysis) and statistical calculation of their feature coefficients with AKD was more successful than AKD methods used in the literature. © 2020 IEEE.
Bu çalışmada, AKD (Ayrık Kosinüs DönüşümüDCT) özellik çıkarım yöntemine dayanan 1 boyutlu (1B) biyomedikal işaret analizi yapılarak yüksek doğruluklu epilepsi hastalığı teşhisi gerçeklenmiştir. Epilepsi hastalığı teşhisi amacıyla 1 boyutlu işaret analizi için EEG (Elektroensefalografi) verileri kullanılmıştır. 1B EEG verilerine AKD ve ortalama, varyans, standart sapma, basıklık, çarpıklık gibi istatistiksel yöntemleri uygulanarak özellik vektörleri çıkarılmıştır. Elde edilen öznitelik vektörlerine TBA (Temel Bileşen Analizi-PCA), DAA (Doğrusal Ayırım Analizi-LDA), İleriye Doğru Seçim ve Geriye Doğru Seçim yöntemleri uygulanarak en etkin özellikler seçilmiştir. EEG özellikleri kullanılarak Sağlıklı / Epilepsi şeklinde 2 kümeli sınıflandırma yapılmıştır. Çok Katmanlı Algılayıcı YSA yöntemi ile gerçeklenen sınıflandırma sonucunda; 1 boyutlu orjinal EEG verilerinin TBA yöntemi uygulanarak seçilen özellikler kullanılarak %96 başarı sınıflandırma doğruluğu elde edilmiştir. Orjinal EEG verilerinin ICA (Bağımsız Bileşen Analizi) ile ayrıştırılarak bunların AKD ile özellik katsayılarının istatistiksel olarak hesaplanması, litaratürde kullanılan AKD yöntemlerine göre daha başarılı olmuştur.
Bu çalışmada, AKD (Ayrık Kosinüs DönüşümüDCT) özellik çıkarım yöntemine dayanan 1 boyutlu (1B) biyomedikal işaret analizi yapılarak yüksek doğruluklu epilepsi hastalığı teşhisi gerçeklenmiştir. Epilepsi hastalığı teşhisi amacıyla 1 boyutlu işaret analizi için EEG (Elektroensefalografi) verileri kullanılmıştır. 1B EEG verilerine AKD ve ortalama, varyans, standart sapma, basıklık, çarpıklık gibi istatistiksel yöntemleri uygulanarak özellik vektörleri çıkarılmıştır. Elde edilen öznitelik vektörlerine TBA (Temel Bileşen Analizi-PCA), DAA (Doğrusal Ayırım Analizi-LDA), İleriye Doğru Seçim ve Geriye Doğru Seçim yöntemleri uygulanarak en etkin özellikler seçilmiştir. EEG özellikleri kullanılarak Sağlıklı / Epilepsi şeklinde 2 kümeli sınıflandırma yapılmıştır. Çok Katmanlı Algılayıcı YSA yöntemi ile gerçeklenen sınıflandırma sonucunda; 1 boyutlu orjinal EEG verilerinin TBA yöntemi uygulanarak seçilen özellikler kullanılarak %96 başarı sınıflandırma doğruluğu elde edilmiştir. Orjinal EEG verilerinin ICA (Bağımsız Bileşen Analizi) ile ayrıştırılarak bunların AKD ile özellik katsayılarının istatistiksel olarak hesaplanması, litaratürde kullanılan AKD yöntemlerine göre daha başarılı olmuştur.
Açıklama
28th Signal Processing and Communications Applications Conference, SIU 2020 -- 5 October 2020 through 7 October 2020 -- -- 166413
Anahtar Kelimeler
ANN, Backward Selection, DCT, EEG, Epilepsy, Forward Selection, ICA, LDA, PCA, Epilepsi, EEG, Ayrık Kosinüs Dönüşümü, ICA, TBA, DAA, İleriye Doğru Seçim, Geriye Doğru Seçim, YSA
Kaynak
2020 28th Signal Processing and Communications Applications Conference, SIU 2020 - Proceedings
WoS Q Değeri
Scopus Q Değeri
N/A
