EPİLEPTİK NÖBET BELİRTİLERİNİN TESPİTİ: EEG SİNYALLERİNİN DALGACIK DÖNÜŞÜMLERİ VE TRANSFORMER MODELİNİN ROLÜ

Abstract

Epilepsi, dünya genelinde geniş bir popülasyonu etkileyen ve tekrarlayıcı nöbetlerle seyreden kronik bir nörolojik hastalıktır. Epileptik nöbetlerin doğru ve zamanında tespit edilememesi, hastalığın etkin biçimde yönetilmesini zorlaştırmakta ve bireylerin yaşam kalitesini olumsuz yönde etkilemektedir. Epilepsi tanı ve izlem süreçlerinde yaygın olarak kullanılan elektroensefalografi (EEG), beyin kaynaklı elektriksel aktivitelerin değerlendirilmesini mümkün kılmakla birlikte, EEG sinyallerinin doğrusal olmayan, durağan olmayan ve yüksek boyutlu yapısı manuel analiz süreçlerini hem zaman açısından maliyetli hem de yoruma açık hâle getirmektedir. Bu durum, epileptik nöbetlerin otomatik, nesnel ve güvenilir biçimde tespit edilmesine yönelik gelişmiş hesaplamalı yöntemlere olan ihtiyacı artırmaktadır. Bu tez çalışmasında, epileptik nöbetlerin otomatik olarak tespit edilmesi amacıyla EEG sinyallerinin zaman–frekans alanındaki temsillerine dayanan hibrit bir derin öğrenme yaklaşımı önerilmiştir. Bu kapsamda EEG sinyalleri, Karmaşık Morlet Dalgacık Dönüşümü (CMT), Sürekli Dalgacık Dönüşümü (CWT) ve Hızlı Sürekli Dalgacık Dönüşümü (FCWT) yöntemleri kullanılarak iki boyutlu zaman–frekans görüntülerine dönüştürülmüştür. Elde edilen bu görsel temsiller, evrişimsel sinir ağlarına dayalı ResNet-18 ve dikkat mekanizması temelli Vision Transformer (ViT-B/8) mimarileri ile ayrı ayrı analiz edilmiş ve her bir modelden ayırt edici öznitelikler çıkarılmıştır. Farklı dönüşüm yöntemleri ve derin öğrenme mimarilerinden elde edilen bu öznitelikler, özellik füzyonu yaklaşımıyla birleştirilerek daha zengin ve kapsayıcı bir temsil uzayı oluşturulmuştur. Deneysel sonuçlar, önerilen hibrit yaklaşımın epileptik EEG sinyallerinin sınıflandırılmasında yüksek doğruluk ve kararlılık sunduğunu göstermektedir. Özellikle ResNet-18 ve ViT-B/8 modellerinden elde edilen özniteliklerin birlikte kullanıldığı yapı, tekil modellere kıyasla daha üstün performans sergilemiş ve sistem %90,65 genel doğruluk oranına ulaşmıştır. Bu bulgular, zaman–frekans dönüşümleri ile derin öğrenme tabanlı öznitelik füzyonunun epileptik nöbetlerin otomatik tespitinde etkili, güvenilir ve klinik karar destek sistemlerine entegre edilebilir bir çözüm sunduğunu ortaya koymaktadır.

Epilepsy is a chronic neurological disorder affecting a large population worldwide and is characterized by recurrent seizures. Failure to detect epileptic seizures accurately and in a timely manner complicates effective disease management and negatively impacts patients' quality of life. Electroencephalography (EEG) is one of the most widely used tools in the diagnosis and monitoring of epilepsy; however, the nonlinear, nonstationary, and high-dimensional nature of EEG signals makes manual analysis time-consuming and prone to subjective interpretation. Consequently, there is an increasing demand for automated, objective, and reliable computational methods for epileptic seizure detection. In this thesis, a hybrid deep learning approach based on time–frequency representations of EEG signals is proposed for the automatic detection of epileptic seizures. EEG signals are first transformed into two-dimensional time–frequency images using the Complex Morlet Wavelet Transform (CMT), Continuous Wavelet Transform (CWT), and Fast Continuous Wavelet Transform (FCWT). These representations are then analyzed using two complementary deep learning architectures: the convolutional neural network–based ResNet-18 and the attention-based Vision Transformer (ViT-B/8). Discriminative features extracted from each model are subsequently combined through a feature fusion strategy to construct a more comprehensive and informative feature space. Experimental results demonstrate that the proposed hybrid framework achieves high classification performance in epileptic EEG signal analysis. In particular, the joint use of features extracted from ResNet-18 and ViT-B/8 yields superior results compared to individual models, achieving an overall classification accuracy of 90.65%. These findings indicate that integrating time–frequency analysis with deep learning–based feature fusion provides an effective, robust, and clinically applicable solution for automatic epileptic seizure detection and holds significant potential for integration into clinical decision support systems.