The Role of Deep Learning Approaches and Wavelet Transformations in Epileptic Seizure Detection

Abstract

Epilepsy is a serious nervous system disorder characterized by recurrent seizures that can cause permanent neurological damage and pose a serious threat to human life. Early diagnosis of epileptic seizures directly affects the effectiveness of the diagnosis and treatment process. Today, technological advances are accelerating disease diagnosis and treatment processes, enabling more accurate and effective results. In this study, an artificial intelligence-based hybrid model is proposed. In the proposed approach, EEG signals are converted into 2D image data using time-frequency transformation techniques such as CMT, CWT, and FCWT. Subsequently, the three datasets are trained with deep learning models (ResNet and ViT) to obtain feature vectors. These feature sets were combined using feature fusion strategies and evaluated using the subspace discriminant method during the classification phase. Experimental findings demonstrated the successful classification results obtained from the combination of triple feature fusions. The sets obtained from feature fusion of the two models were also combined and reclassified using the subspace discriminant method. The classification result achieved overall accuracy of 90.65%. The results demonstrate that the proposed model offers high accuracy and reliability in epilepsy detection and could serve as an effective support tool in clinical applications.

Keywords

• epilepsy detection
• deep learning
• transformer model
• feature fusion
• subspace discriminant

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.

Keywords

• epilepsi tespiti
• derin öğrenme
• transformer modeli
• özellik birleştirme
• alt uzay ayrıştırıcı

References

1. M. Monemian ve H. Rabbani, “Red-lesion extraction in retinal fundus images by directional intensity changes’ analysis”, Sci Rep, c. 11, Ara. 2021, doi: 10.1038/s41598-021-97649-x.
2. K. K. Kamila, S. Maliawan, I. W. Niryana, ve D. P. W. Wardhana, “Gambaran karakteristik pasien epilepsi di RSUP Prof. Dr. IGNG Ngoerah periode Januari–Desember 2023”, Intisari Sains Medis, c. 16, sy 1, ss. 273-279, 2025.
3. A. S. Pulungan, C. A. Batubara, ve A. Fitri, “Hubungan Antara Kadar Vitamin D Dengan Frekuensi Bangkitan Pada Pasien Epilepsi di Rumah Sakit Adam Malik”, Jurnal sosial dan sains, c. 5, sy 4, ss. 714-722, 2025.
4. Y. Geniş ve E. A. Aydın, “EEG sinyallerini kullanarak 2D konvolüsyonel sinir ağları ile epilepsi hastalığının çok sınıflı tespiti”, Politeknik Dergisi, s. 1, 2025.
5. M. Toğaçar, “Epilepsi Nöbet Tespiti için Zaman-Frekans Görüntüleme: Transformer Model ile Özellik Füzyonu”, Mühendislik Bilimleri ve Araştırmaları Dergisi, c. 7, sy 1, ss. 93-102.
6. S. Kiranyaz vd., “Real-time pcg anomaly detection by adaptive 1d convolutional neural networks”, arXiv preprint arXiv:1902.07238, 2019.
7. M. İ. Gürsoy, “Emg Sinyalleri İle Derin Öğrenme Yöntemlerini Kullanarak El/Parmak Hareketi Tanıma”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 28, sy 1, ss. 179-188, 2025.
8. M. Talo, U. B. Baloglu, Ö. Yıldırım, ve U. R. Acharya, “Application of deep transfer learning for automated brain abnormality classification using MR images”, Cogn Syst Res, c. 54, ss. 176-188, 2019.

9. İ. Kılıç ve N. Yalçın, “Transfer Öğrenme Teknikleri Kullanarak Nohut Çeşidi Sınıflandırma”, Karaelmas Fen ve Mühendislik Dergisi, c. 14, sy 1, ss. 48-58, 2024.
10. Z. Göker, E. Güney, G. Dinç, ve Ö. Üneri, “Bir Eğitim ve Araştırma Hastanesinde Yatarak Tedavi Gören Çocuk ve Ergenler İçin İstenen Psikiyatri Konsültasyonlarının Değerlendiril-mesi.”, Journal of Pediatric Disease/Türkiye Çocuk Hastalıkları Dergisi, c. 8, sy 1, 2014.
11. M. H. Aslam vd., “Classification of EEG signals for prediction of epileptic seizures”, Applied Sciences, c. 12, sy 14, s. 7251, 2022.
12. I. Jemal, N. Mezghani, L. Abou-Abbas, ve A. Mitiche, “An interpretable deep learning classifier for epileptic seizure prediction using EEG data”, IEEE Access, c. 10, ss. 60141-60150, 2022.
13. N. D. Truong, L. Zhou, ve O. Kavehei, “Semi-supervised seizure prediction with generative adversarial networks”, içinde 2019 41st annual international conference of the IEEE engi-neering in medicine and biology society (EMBC), IEEE, 2019, ss. 2369-2372.
14. D. Łuczak, “Mechanical vibrations analysis in direct drive using CWT with complex Morlet wavelet”, Power Electronics and Drives, c. 8, 2023.
15. D. K. Bülbül ve B. Güçlü, “Correction of Tactile Stimulator Artifacts from Epidural Field Potentials Recorded in Rat S1 Cortex”, içinde 2021 29th Signal Processing and Communi-cations Applications Conference (SIU), IEEE, 2021, ss. 1-4.
16. F. Demirdöğen, Ç. Danacı, S. A. Tuncer, M. Akkuş, ve S. Yıldız, “Deep Convolutional Neural Network Model for the Differential Diagnosis of Schizophrenia Using EEG Signals”, Hitit Medical Journal, c. 6, sy 3, ss. 257-265, 2024.
17. Y. Aydın, B. Erkmen ve C. Gürpınar, "Lityum-İyon Bataryaların CWT Tabanlı Derin Öğrenme Yöntemleri ile Kalan Sağlıklı Ömür (RUL) Kestirimi," ELECO 2022 Elekt-rik-Elektronik ve Biyomedikal Mühendisliği Konferansı, Bursa, Türkiye, 24-26 Kasım 2022.
18. H. Zhou, Z. Li, L. Pan, J. Tian, ve L. Zhu, “Online chatter detection via lightweight deep learning framework with efficient signal pre-processing”, Mech Syst Signal Process, c. 223, s. 111882, 2025.
19. F. F. Ateş, A. Çalışkan, ve M. Toğaçar, “Meme kanserinin tespiti için yapay zeka tabanlı hibrit bir model önerisi”, Fırat Üniversitesi Fen Bilimleri Dergisi, c. 34, sy 2, ss. 189-199, 2022.
20. Y. Huo, K. Jin, J. Cai, H. Xiong, ve J. Pang, “Vision transformer (Vit)-based applications in image classification”, içinde 2023 IEEE 9th Intl Conference on Big Data Security on Cloud (BigDataSecurity), IEEE Intl Conference on High Performance and Smart Computing,(HPSC) and IEEE Intl Conference on Intelligent Data and Security (IDS), IEEE, 2023, ss. 135-140.
21. Y. Huang vd., “Segment anything model for medical images?”, Med Image Anal, c. 92, s. 103061, 2024.
22. I. Markoulidakis, G. Kopsiaftis, I. Rallis, ve I. Georgoulas, “Multi-Class Confusion Matrix Reduction method and its application on Net Promoter Score classification problem”, içinde Proceedings of the 14th PErvasive Technologies Related to Assistive Environments Confe-rence, New York, NY, USA: ACM, Haz. 2021, ss. 412-419. doi: 10.1145/3453892.3461323.
23. Y. Wang, Y. Jia, Y. Tian, ve J. Xiao, “Deep reinforcement learning with the confu-sion-matrix-based dynamic reward function for customer credit scoring”, Expert Syst Appl, c. 200, s. 117013, Ağu. 2022, doi: 10.1016/j.eswa.2022.117013.
24. Y. E. Gür, M. Toğaçar, ve B. Solak, “Integration of CNN Models and Machine Learning Methods in Credit Score Classification: 2D Image Transformation and Feature Extraction”, Comput Econ, c. 65, sy 5, ss. 2991-3035, May. 2025, doi: 10.1007/s10614-025-10893-5.
25. T. Yoshiba, H. Kawamoto, ve Y. Sankai, “Basic study of epileptic seizure detection using a single-channel frontal EEG and a pre-trained ResNet”, içinde 2021 43rd Annual Interna-tional Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), IEEE, Kas. 2021, ss. 3082-3088. doi: 10.1109/EMBC46164.2021.9630982.
26. R. Hussein, S. Lee ve R. Ward, "Multi-channel vision transformer for epileptic seizure pre-diction," Biomedicines, vol. 10, no. 7, p. 1551, 2022. doi: 10.3390/biomedicines10071551