Epileptik Nöbet Tespitinde Derin Öğrenme Yaklaşımlarının ve Dalgacık Dönüşümlerinin Rolü

Abstract

Epilepsi, tekrarlayan nöbetlerle ortaya çıkan ve kalıcı nörolojik hasarlara neden olabilen ve insan hayatı için ciddi bir sinir sistemi bozukluğudur. Epileptik nö-betlerin erken tanısı, teşhis ve tedavi sürecinin etkinliğini doğrudan etkiler. Günümüzde teknolojik gelişmeler, hastalık tanısı ve tedavi süreçlerini hızlandırarak daha doğru ve etkili sonuçlar elde edilmesini sağlamaktadır. Bu çalışmada yapay zeka tabanlı hibrit bir model önerilmiştir. Önerilen yaklaşımda, EEG sinyalleri zaman-frekans dönüşüm teknikleri kullanılarak CMT, CWT ve FCWT tabanlı 2B görüntü verilerine dönüştürülmüştür. Ardından üç veriseti, derin öğrenme modelleri (ResNet ve ViT) ile eğitilip öznitelik vektörleri elde etmiştir. Bu öznitelik setleri, özellik füzyon stratejileriyle birleştirilmiş ve sınıflandırma aşamasında subspace discriminant yöntemi ile değerlendirilmiştir. Deneysel bulgular, özellikle üçlü özellik füzyonlarının birleştirilmesinden elde edilen sınıflandırma sonucunu başarılı olduğunu kanıtlamıştır. İki modelden özellik füzyonu ile elde edilen setler de birleştirilerek yeniden subspace discriminant yöntemi ile sınıfladırılmıştır. Sınıflandırma sonucu %90.65 genel doğruluk başarısı elde edilmiştir. Sonuçlar, önerilen modelin epilepsi tespitinde yüksek doğruluk ve güvenilirlik sunduğunu ve klinik uygulamalarda etkili bir destek aracı olabileceğini göstermektedir.