A new dataset for EEG abnormality detection MTOUH

Year 2022, Volume: 17 Issue: 1, 135 - 141, 20.03.2022

İrem Taşcı Burak Tasci Sengul Dogan Türker Tuncer

https://doi.org/10.55525/tjst.1074540

Cited By: 3

Abstract

Elektroensefalogram (EEG), beyindeki elektriksel aktivitenin izlenmesi için yaygın olarak kullanılmaktadır. EEG sinyallerinin hekimler tarafından incelenmesi yorucu ve zaman alıcıdır. Bu nedenle, algılama doğruluğunu artırmak için makine öğrenme teknikleri kullanılabilir. Bu çalışmada 35 kanal, 10575x15 saniye normal ve 11240x15 saniye anormal EEG sinyalinden oluşan 2 sınıflı veri seti oluşturulmuştur. Bu very seti Turgut Özal Üniversitesi Malatya Eğitim Araştırma Hastanesi’ ne 2021 yılında başvuran hastaların EEG sinyalleri incelenerek elde edilmiştir. Çalışmada istatistiksel özellik çıkarımı tabanlı bir model önerilmiştir. Önerilen modele komşu bileşen analizi kullanılarak öznitelik vektörü indirgemesi yapıldıktan sonra destek vektör makineleri kullanılarak sınıflandırma yapılmıştır. 35 kanaldan en yüksek doğruluk P4O2 kanalında elde edilmiştir. P4O2 kanalı için doğruluk, duyarlılık, özgüllük, kesinlik ve f-skoru sırasıyla %81.3,%78.9, %83.7, %82.0 ve %80.4 olarak elde edilmiştir.

Keywords

Electroencephalography signals classification, SVM, Machine Learning

References

• [1] A. Sibel KOCAASLAN, B. Onur, and K. Mehmet Cemal, "Elektroensefalografinin Biyofiziksel Temelleri," Turkiye Klinikleri J Neurol, vol. 10(2), pp. 110-114, 2017.
• [2] A. Biasiucci, B. Franceschiello, and M. M. Murray, "Electroencephalography," Current Biology, vol. 29, no. 3, pp. R80-R85, 2019.
• [3] D. Millett, "Hans Berger: From psychic energy to the EEG," Perspectives in biology and medicine, vol. 44, no. 4, pp. 522-542, 2001.
• [4] A. Galip and T. Sabiha, "Elektroensefalografinin Tarihçesi," Turkiye Klinikleri J Neurol, vol. 10(2), pp. 105-109, 2017.
• [5] K. Süleyman and Ş. Nihat, "Rutin Elektroensefalografi Kayıtlaması ve Aktivasyon Yöntemleri," Turkiye Klinikleri J Neurol, vol. 10(2), pp. 115-119, 2017.
• [6] W. Zhao et al., "A novel deep neural network for robust detection of seizures using EEG signals," Computational and mathematical methods in medicine, vol. 2020, 2020.
• [7] P. Khan, Y. Khan, S. Kumar, M. S. Khan, and A. H. Gandomi, "HVD-LSTM based recognition of epileptic seizures and normal human activity," Computers in Biology and Medicine, vol. 136, p. 104684, 2021.
• [8] Y. Wang et al., "Computer-Aided Intracranial EEG Signal Identification Method Based on a Multi-Branch Deep Learning Fusion Model and Clinical Validation," Brain Sciences, vol. 11, no. 5, p. 615, 2021. [Online]. Available: https://www.mdpi.com/2076-3425/11/5/615.
• [9] M. Rashid et al., "The classification of motor imagery response: an accuracy enhancement through the ensemble of random subspace k-NN," PeerJ Computer Science, vol. 7, p. e374, 2021.
• [10] M. Ravi Kumar and Y. Srinivasa Rao, "Epileptic seizures classification in EEG signal based on semantic features and variational mode decomposition," Cluster Computing, vol. 22, no. 6, pp. 13521-13531, 2019.
• [11] P. Sheoran, N. Rathee, and J. Saini, "Epileptic seizure detection using bidimensional empirical mode decomposition and distance metric learning on scalogram," in 2020 7th International Conference on Signal Processing and Integrated Networks (SPIN), 2020: IEEE, pp. 675-680.
• [12] S. Bera, R. Roy, D. Sikdar, A. Kar, R. Mukhopadhyay, and M. Mahadevappal, "A randomised ensemble learning approach for multiclass motor imagery classification using error correcting output coding," in 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2018: IEEE, pp. 5081-5084.
• [13] K.-W. Ha and J.-W. Jeong, "Motor imagery EEG classification using capsule networks," Sensors, vol. 19, no. 13, p. 2854, 2019.
• [14] J. Goldberger, S. Roweis, G. Hinton, and R. Salakhutdinov, "Neighbourhood components analysis," presented at the Proceedings of the 17th International Conference on Neural Information Processing Systems, Vancouver, British Columbia, Canada, 2004.
• [15] L. E. Peterson, "K-nearest neighbor," Scholarpedia, vol. 4, no. 2, p. 1883, 2009.
• [16] V. Vapnik, "The Support Vector Method of Function Estimation," in Nonlinear Modeling: Advanced Black-Box Techniques, J. A. K. Suykens and J. Vandewalle Eds. Boston, MA: Springer US, 1998, pp. 55-85.
• [17] V. Vapnik, The nature of statistical learning theory. Springer science & business media, 1999.
• [18] M. J. Warrens, "On the equivalence of Cohen’s kappa and the Hubert-Arabie adjusted Rand index," Journal of classification, vol. 25, no. 2, pp. 177-183, 2008.
• [19] D. Chicco and G. Jurman, "The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation," BMC genomics, vol. 21, no. 1, p. 6, 2020.