Biyomedikal işaretlerin sınıflandırılması
Loading...
Date
2012
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Namık Kemal Üniversitesi
Access Rights
info:eu-repo/semantics/openAccess
Abstract
Bu tezde, PhysioNet veritabanından alınan elektroensefalografi (EEG) işaretleri için, açık kaynak kodlu programlar kullanılarak öznitelikler elde edilmiş ve sara krizi tespit edilmeye çalışılmıştır. EEG işaretlerine ait spektral entropi, Hjorth parametreleri, tekil değer ayrıştırma entropisi, Fisher bilgisi, yaklaşık entropi, Hurst katsayısı, örnek entropisi, Petrosian fraktal boyutu, Katz fraktal boyutu, Sevcik fraktal boyutu ve Hjorth fraktal boyutu hesaplanarak, yapay sinir ağları, destek vektör makineleri ve en yakın k-komşu algoritması ile sınıflandırılmıştır. Aynı işlemler EEG işaretlerinin dalgacık katsayıları için de tekrar edilmiştir. Böylelikle her bir sınıflayıcı ve parametre için en iyi durumlar elde edilmeye çalışılmıştır.
In this thesis, features for electroencephalography (EEG) signals obtained from PhysioNet database are extracted using open source coded programs and epileptic sezures are tried to detect. Spectral entropy, Hjorth parameters, singular value decomposition entropy, Fisher information, approximate entropy, Hurst exponent, sample entropy, Petrosian fractal dimension, Katz fractal dimension, Sevcik fractal dimension and Hjorth fractal dimension of the EEG signals are calculated and they are classified by artificial neural networks, support vector machines and k-nearest neighbor algorithm. The same processes are repeated for the wavelet coefficients of the EEG signals. Thus, best results are tried to achieve for each classifier and parameter. Open source coded programs are used for extracting features and classifying.
In this thesis, features for electroencephalography (EEG) signals obtained from PhysioNet database are extracted using open source coded programs and epileptic sezures are tried to detect. Spectral entropy, Hjorth parameters, singular value decomposition entropy, Fisher information, approximate entropy, Hurst exponent, sample entropy, Petrosian fractal dimension, Katz fractal dimension, Sevcik fractal dimension and Hjorth fractal dimension of the EEG signals are calculated and they are classified by artificial neural networks, support vector machines and k-nearest neighbor algorithm. The same processes are repeated for the wavelet coefficients of the EEG signals. Thus, best results are tried to achieve for each classifier and parameter. Open source coded programs are used for extracting features and classifying.
Description
Keywords
Elektroensefalografi, en yakın k-komşululuk, yapay sinir ağları, destek vektör makineleri, fraktal boyut, EEG sınıflama, Electroencephalography, k-nearest neighborhood, artificial neural networks, support vector machines, fractal dimension, EEG classification
