EEG Sinyallerinin Sınıflandırılmasında Evrimsel Öznitelik Seçim Metotlarının Kullanılması

Abstract

Elektroensefalografi beyindeki elektriksel akımın ölçülmesi ile elde edilen sinyallerdir. Bu sinyallerin sınıflandırılmasıözellikle beyin sinyalleri ile ilgili rahatsızlıkların teşhis, tanı ve tedavisine katkı sağladığı için önemlidir. Bu çalışmada bualanda epilepsi hastalığının tanısı için en çok kullanılan veri kümesi olan Bonn Üniversitesi veri kümesi kullanılmıştır. Beşfarklı denekten alınan sinyallerden oluşan bu veri kümesinden anlamlı sonuçlar elde edebilmek için öncelikle veri temizleme,öznitelik çıkarma ve öznitelik seçme yöntemleri kullanılmıştır. Daha sonra bu yöntemler sınıflandırma başarısına katkılarıaçısından kıyaslanmıştır. İlk olarak filtrelenen veriden Ayrık Dalgacık Dönüşümü metodu ile istatistiksel özellikler çıkarılmış,ardından Diferansiyel Evrim Algoritması kullanılarak en iyi sınıflandırma sonucunu veren öznitelik alt kümesi seçilmiştir.Seçilen özniteliklere sahip veri kümesinin sınıflandırma başarısı Destek Vektör Makineleri ile test edilmiştir. Kullanılanyöntem ile bazı sınıfların ayrılmasında literatürdeki benzer çalışmalardan daha iyi sonuçlar elde edilmiştir. Bazı ikili ve üçlükümelerin sınıflandırılmasında sırasıyla 0,98 ve 0,94 doğruluk oranları elde edilmiştir.

Electroencephalography signals are obtained by measuring the electrical current in the brain. The classification of these signals_x000D_ are especially important, as they contribute to the diagnosis, and treatment of disorders related to brain signals. In this study,_x000D_ the data set of the University of Bonn, which is the most widely used data set for the diagnosis of epilepsy, was used in this_x000D_ field. In order to obtain meaningful results from this data set consisting of signals from five different subjects, firstly, data_x000D_ filtering, feature extraction and feature selection methods have been used first. Later, these methods were then compared in_x000D_ terms of their contribution to classification success. First, statistical properties were extracted from the filtered data by the_x000D_ Discrete Wavelet Transform method, and then the subset of the features that gave the best classification result was selected_x000D_ using the Differential Evolution Algorithm. The classification success of the data set with the selected features has been tested_x000D_ with the Support Vector Machines. With the method used, better results were obtained than similar studies in separating some_x000D_ classes. In the classification of some double and triple sets, accuracy rates of 0.98 and 0.94, respectively, were obtained._x000D_