October 2021
·
3 Reads
zetçe-Elektroensefalogram (EEG) nörolojik bir rahatsızlık olan epilepsi hastalığının izlenmesi, teşhisi ve tedavisinde kullanılan temel tanı aracıdır. EEG sinyalleri artefakt kirleticiler denilen göz kırpma, öksürme gibi istem dışı hareketlerle kolaylıkla bozulabilmektedir. Bu çalışmada, Kaiser pencere tabanlı filtre ile modellenen Sonlu Darbe Cevaplı filtreyle ekstrak-ve intrakranyal EEG sinyalindeki artefaktlar arındırılmıştır. Kaiser penceresi modellemesinden elde edilen EEG sinyalindeki en önemli özellikler Temel Bileşen Analizi (TBA) yöntemiyle seçilmiştir. Kolektif öğrenme metotlarından Ardışık Topluluklarla Öğrenme, Çantalama, Rastsal altuzaylar algoritmalarına TBA yöntemi ile seçilen özellikler uygulanarak sınıflandırma yapılmıştır. Çalışmanın amacı, EEG sinyalindeki Kaiser pencere tabanlı spektral parametrelerinin hesaplanarak ekstrak-ve intrakranyal EEG sinyalinin sınıflandırılmasıdır. Algoritmaların sınıflandırma başarımları × katlı çaprazlama yöntemine göre; doğruluk oranları, hassasiyetleri, özgüllükleri, tahminleme hızları ve eğitim zamanları bakımından karşılaştırılmıştır. Çalışmadan elde edilen sonuçlara göre Subspace KNN algoritmasının sınıflandırma başarımı diğer algoritmalara göre daha yüksektir. Anahtar Kelimeler-ekstrakranyal ve intrakranyal EEG; Kaiser penceresi; FIR filtre; özellik seçimi; kolektif öğrenme; sinyal sınıflandırma. Abstract-Electroencephalogram (EEG) is the main diagnostic tool for the monitoring, diagnosis and treatment of epilepsy which is a neurological disorder. EEG signals can disrupt easily by involuntary movements that are called artifact contaminants such as blinking, coughing. In this study, the artifacts in the extrac-and intracranial EEG signals have been cancelled out from the EEG with the use of Kaiser window based Finite Impulse Response (FIR) filter. The most important features in the EEG signals have been selected by the Principle Component Analysis (PCA) method. The selected features have been classified by applying ensemble learning methods that are Boosting, Bagging and Random Subspace. The aim of this study is to increase the extrac-and intracranial EEG signal classification by calculating window spectral parameters. The algorithms' classification performances have been compared in terms of accuracy rates, sensitivities, specificities, prediction rates and training times according to the × cross validation. Subspace KNN algorithm, as revealed by results, is higher than the other algorithms' classification performances.