EEG SİNYALLERİ KULLANARAK YENİ DOĞANLARDA NÖBET TESPİTİ İÇİN DERİN ÖĞRENME YÖNTEMLERİNİN KULLANILMASI

Abstract

Epileptik nöbet, beynin tamamında veya bir kısmında görülen ani ve düzensiz elektriksel boşalma sonucunda ortaya çıkan klinik bir durumdur. Yeni doğan nöbetleri, çocukluk ve yetişkinlik döneminkilerden daha farklı klinik belirtiler gösterirler. Nöbetlerin zamanında fark edilememesi ve sonuçta ortaya çıkan tedavi eksikliği vakalarda ölümle sonuçlanabilir. Nöbet tespitinin acil olarak yapılması ve tedaviye başlanması yeni doğan bebeklerde hayati bir önem taşır. Bu nedenlerle nöbet tanısında uzmanlara karar verme sürecinde yardımcı olan bilgisayar destekli sistemlere ihtiyaç vardır. Derin öğrenme, ham girdiden daha üst düzey özellikleri aşamalı olarak çıkarmak için birden çok katman kullanan bir makine öğrenme algoritmaları sınıfıdır. Çoğu derin öğrenme yöntemi sinir ağı mimarilerini kullanır. Evrişimli sinir ağları (CNN), klasik makine öğrenmesi yöntemlerindeki manuel özellik çıkarma ihtiyacını ortadan kaldırır, bu nedenle görüntüleri sınıflandırmak için kullanılan özellikleri tanımlamanız gerekmez. Derin öğrenme ilk zamanlarda donanımsal eksiklikler ve veri setinin yetersiz olması sebebiyle bir süre durgun süreç geçirse de günümüzde eksikliklerin giderilmesi ile popüler olmaya başlamış ve son zamanlarda sağlık hizmetlerinin kalitesini arttırmada çok büyük ölçüde katkı sağlamıştır. Bu tez çalışmasında, yeni doğanlarda nöbet tespiti için makine öğrenmesi algoritmalarından birçok sınıflandırma algoritması kullanılarak tüm EEG kanallarında sinyal analizi yapılmıştır. Daha sonra önceden eğitilmiş derin öğrenme mimarileri kullanılarak en yüksek performans sağlayan C4-P4 kanalı üzerinde 1-boyutlu sinyal verileri 2-boyutlu görüntülere dönüştürülerek spektrogramları elde edilmiş ve kullanılan veri seti üzerinde sınıflandırma hem 1D hem de 2D olarak yapılmıştır. Çalışmanın mühendislik alanında epileptik nöbet teşhisinde sınıflandırma başarısı için birçok yöntem denenmiş ve en etkili sınıflandırma için algoritma başarıları sınanmıştır. Tıp alanında ise yeni doğanların EEG sinyallerine derin öğrenme yöntemleri uygulanarak nöbet teşhisine etkisi analiz edilmiştir. Önerilen yöntemle yapılan bu çalışma sonucunda daha hızlı ve daha az maliyetle yüksek performans elde edildiği görülmektedir.

Epileptic seizure is a clinical condition that occurs as a result of the sudden and irregular electrical discharge seen in all or part of the brain. Neonatal seizures show different clinical symptoms than those in childhood and adulthood. Failure to recognize seizures in time and the resulting lack of treatment can result in death in cases. It is of vital importance to detect seizures urgently and initiate treatment in newborn babies. For these reasons, there is a need for computer aided systems that assist experts in the decision-making process in the diagnosis of seizures. Deep learning is a class of machine learning algorithms that uses multiple layers to progressively extract higher-level features from raw input. Most deep learning methods use neural network architectures. Convolutional neural networks (CNN) eliminate the need for manual feature extraction in traditional machine learning methods, so you don't need to define the features used to classify images. For this reason, although deep learning went through a sluggish process for a while due to hardware deficiencies and insufficient data set, it has become popular today with the elimination of the deficiencies and has recently contributed greatly to increase the quality of health services. In this thesis, signal analysis was performed in all EEG channels by using many classification algorithms from machine learning algorithms for seizure detection in newborns. Then, spectrograms were obtained by converting 1-dimensional signal data to 2-dimensional images on the C4-P4 channel, which provides the highest performance using pre-trained deep learning architectures. The classification was made in both 1D and 2D on the data set. In the engineering field of the study, many methods have been tried for the success of the classification in the diagnosis of epileptic seizures and the algorithm successes have been tested for the most effective classification. In the field of medicine, the effect of deep learning methods on the EEG signals of newborns on the diagnosis of seizures has been analyzed. As a result of this study conducted with the proposed method, it is seen that high performance is obtained faster and with less cost.