Electroencephalography (EEG) sinyal sınıflandırılmasında sinir-evrimi yaklaşımı

Abstract

Elektroensefalografi (EEG), beyindeki nöronların elektriksel uyarılarını ölçmede ve bu sinyalleri kaydetmede kullanılan bir yöntemdir. Bu sinyaller beyin fonksiyonlarının incelenmesi, epilepsi gibi nörolojik rahatsızlıkların teşhisi, nöropsikolojik rahatsızlıkların sınıflandırılması ve uyku bozukluklarının değerlendirilmesi gibi alanlarda kullanılır. Sağlık alanında sıkça kullanılmakta olan EEG sinyalleri oldukça karmaşık ve çok kaynaklı elektrik sinyalleridir. Anlamlı bir sınıflandırma çabası insan emeğini azalttığı gibi insan hatasını da azaltarak sağlık alanında avantaj sağlar ve iş gücünün verimli kullanımına destek olur. Klinik karar destek sistemleri ile doğru bir şekilde sınıflandırılan EEG sinyalleri, doktorların daha hızlı ve doğru teşhis koymalarına yardımcı olur, bu da uygulamaların doğruluğunu ve güvenilirliğini artırır. Bu çalışmada, epilepsi nöbetlerine ait sinyalleri de içeren CHB-MIT Scalp EEG veri seti kullanılarak EEG sinyallerinin sınıflandırılması ve epilepsi nöbeti tespiti gerçekleştirilmiştir. Çeşitli veri ön işleme yöntemleri kullanılarak veri seti üzerinde varyasyonlar oluşturulmuş ve benzetim çalışmaları iki senaryo üzerinden ele alınmıştır. Bu tezde, EEG sinyallerini sınıflandırma amacıyla, genellikle derin öğrenme algoritmaları gibi geleneksel yöntemlerle optimize edilmesi zor olan karmaşık yapay sinir ağlarını optimize etmek için kullanılan sinir evrimi yaklaşımı tercih edilmiştir. Bu alandaki en popüler yaklaşımlardan biri olan NEAT (Neuro Evolution of Augmented Topologies) algoritması ile elde edilen benzetim sonuçları diğer popüler derin öğrenme modellerinden olan evrişimli sinir ağları (Convolutional Neural Network-CNN) sonuçları ile karşılaştırılmıştır. Sonuçlar tam anlamıyla iki modelin performans karşılaştırmaları şeklinde düşünülmemelidir. Kullanılan her iki yapay zeka yöntemi farklı veri ön işleme ve modelleme yaklaşımları açısından değerlendirilmiştir. Elde edilen sonuçlarda, sinir evrimi yaklaşımının CNN modeline kıyasla daha düşük değerlendirme metriklerine sahip olduğu gözlenmiştir. Literatürde ilk kez karmaşık ve çok kaynaklı EEG sinyallerinin sınıflandırılmasında kullanılan sinir evrimi yaklaşımının, en az CNN modelleri kadar başarılı olduğu ancak, daha yoğun hiperparametre optimizasyonu çalışmaları ile daha yüksek başarım oranlarına çıkarılabileceği söylenebilir

Electroencephalography (EEG) is a method used to measure and record electrical signals from neurons in the brain. These signals are used in areas such as examining brain functions, diagnosing neurological disorders such as epilepsy, classifying neuropsychological disorders, and evaluating sleep disorders. EEG signals, which are frequently used in the field of health, are quite complex and multi-source electrical signals. A meaningful classification effort reduces human labor and human error, thus providing advantages in the field of health and supporting the efficient use of labor. EEG signals correctly classified by clinical decision support systems help doctors make faster and more accurate diagnoses, which increases the accuracy and reliability of applications. In this study, the classification of EEG signals and detection of epileptic seizures were performed using the CHB-MIT Scalp EEG dataset, which also includes signals belonging to epileptic seizures. Variations were created on the dataset using various data preprocessing methods, and simulation studies were conducted over two scenarios. In this thesis, the neural evolution approach, which is generally used to optimize complex artificial neural networks that are difficult to optimize with traditional methods such as deep learning algorithms, was preferred for the purpose of classifying EEG signals. The simulation results obtained with the NEAT (Neuro Evolution of Augmented Topologies) algorithm, one of the most popular approaches in this field, were compared with the results of convolutional neural networks (CNN), which are other popular deep learning models. The results should not be considered as a performance comparison of the two models. Both artificial intelligence methods used were evaluated in terms of different data preprocessing and modeling approaches. In the obtained results, it was observed that the neural evolution approach has lower evaluation metrics compared to the CNN model. It can be said that the neural evolution approach, which was used for the first time in the literature in the classification of complex and multi-source EEG signals, is at least as successful as CNN models, but can be increased to higher success rates with more intensive hyperparameter optimization studies.