EEG Verilerine Uygulanan Senkrosıkıştırma Yönteminin Migren Teşhisinde Kullanılması

Yıl 2021, Cilt: 12 Sayı: 5, 767 - 774, 31.12.2021

İbrahim Dursun Mehmet Akın

https://doi.org/10.24012/dumf.1051421

Cited By: 1

Öz

Migren, beyindeki sinir ve kan damarlarında meydana gelen değişimler sonucunda ortaya çıkan şiddetli bir baş ağrısı hastalığıdır. Migren hastalığının biyomedikal cihazlarla teşhisine dair bir yöntem henüz geliştirilmemiştir ancak literatürü incelediğimizde EEG sinyalleri kullanılarak migren hastalığının teşhisi ile ilgili birçok çalışmanın yapıldığını görmekteyiz.
Bu çalışmada 18 migren hastası ve 21 kontrol grubundan oluşan 39 katılımcının EEG verileri kullanılmış olup, alınan EEG kayıtlarının Senkrosıkıştırma Dönüşümü (SSD) ile zaman-frekans bilgileri elde edilmiştir. Litreartür incelendiğinde beynin belirli bölge ve kanallarında migren hastalığının etkili olduğu görülmüş ve beynin bu bölgelerine (F1, P7, P5, T7, C5, TP7, CP5, FP1, Fz, Cz, T8, C6) kanallarının denk geldiği gözlemlenmiştir.
SSD, seçili kanallar ve tüm kanallara uygulandıktan sonra oluşan veri kümelerine; medyan, ortalama, standart sapma, basıklık, entropi ve çarpıklık işlemleri uygulanarak özellik vektörü elde edilmiştir. Özellik vektörü elde edilen veriler %25 test ve %75 eğitim verisi olacak şekilde Destek Vektör Makinaları (DVM), K En Yakın Komşu (KNN), Naive Bayes (NB) ve Karar Ağaçları (KA) sınıflandırma yöntemlerine uygulanıp sonuçlar karşılaştırılmıştır.

Anahtar Kelimeler

Migren, kNN, DVM, Senkrosıkıştırma Dönüşümü, EEG

Kaynakça

• [1] S. Batuhan AKBEN, Ahmet ALKAN, “EEG Verilerine Uygulanan Deneysel Kip Ayrışımı Temelli Kümelemenin Migren Teşhisinde Kullanılması”, ELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 Aralık 2012, Bursa.
• [2] M. De Tommaso, D. Marinazzo, M. Guido, G. Libro, S. Stramaglia, L. Nitti, G. Lattanzi, L. Angelini, M. Pellicoro, Visually evoked phase synchronization changes of alpha rhythm in migraine: correlations with clinical features, Int. J. Psychophysiol. 57 (3) (2005) 203–210.
• [3] Jensen, K., Tuxen, C., Olesen, J. 1988. Pericranial muscle tenderness and pressure-pain threshold in the temporal region during common migraine. Pain, 35 (1) : 65-70.
• [4] Lia, C., Careninni, L., Degioz, C., and Bottachi, E. 1995. Computerized EEG analysis in migraine patients. Ital. J. Neurol. Sci., 16 : 249–254.
• [5] Genco, S., De Tommaso, M., Prudenzano, A. M. P., Savarese, M., Puca, F. M. 1994. EEG features in juvenile migraine: topographic analysis of spontaneous and visual evoked brain electrical activity: a comparison with adult migraine. Cephalalgia, 14 : 41–46.
• [6] Alberti, A., Mazzotta, M., Galletti, F. 2004. Electroencephalographic brain mapping and migraine. The Journal of Headache and Pain, 5 : 47-50.
• [7] Bjork, M.H., Sand T. 2008. Quantitative EEG power and asymmetry increase 36 h before a migraine attack. Cephalagia, 28 (9) : 960-968.
• [8] De Tommaso, M., Stramaglia, S., Schoffelen, J. M., Guido, M., Libro, G., Losito, L., Sciruicchio, V., Sardaro, M., Pellicoro, M. 2003. Steady-state visual evoked potentials in the low frequency range in migraine: a study of habituation and variability phenomena. Int. J. Psychophysiol., 49 : 165–174.
• [9] Drake, M.E., Du Bois, C., Stephen, B.A., Huber, J., Pakalnis, A., Denio, L. S. 2005. EEG Spectral Analysis and Time Domain Descriptors in Headache. 28 : 201-203.
• [10] Mustafa Şeker, “Gebelik Sürecindeki Migrenli Hastalarda EEG Sinyallerinin İncelenmesi”,Yüksek Lisans Tezi, Kayseri, 2020.
• [11] M. Chaman Zar, Alireza; Haigh, Sarah; Grover, Pulkit; Behrmann, “Ultra high- density EEG recording of interictal migraine and controls: sensory and rest. Carnegie Mellon University. Dataset.,” 2020. https://doi.org/10.1184/R1/ 12636731.
• [12]Ahrabian,A., Looney,D., Stanković,L., Mandic,D.P., (2015): ”Synchrosqueezing-based time frequency analysis of multivariate data”, Signal Processing, pp. 331-341, 2015.
• [13] Özel, P., (2019): Çok Değişkenli Sinyal İşleme Teknikleri Kullanarak EEG İle Duygu Durum Analizi, Doktora, İstanbul Üniversitesi.
• [14] Ozel, Pinar & Akan, Aydin & Yilmaz, Bulent. (2017). Emotion recognition classification in EEG signals using mu ltivariate synchrosqueezing transform.1-4.10.1109/TIPTEKNO.2017.823
• [15] Yamamoto, A., & T. L. Lee, D. (1994). Wavelet Analysis : Theory and Applications. HewlettPackard Journal, (December), 44–52. http://doi.org/10.1051/j p1:1997114
• [16] Yasin KAYA, Hüseyin PEHLİVAN, “KNN, NN, BAYES, DT ve SVM Kullanılarak EKG Vurularının Sınıflandırılması”, ISITES2014, Karabuk.
• [17] Murat KARAKOYUN, Mehmet HACIBEYOĞLU, ”Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması”, DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, Cilt 16, Sayı 48, sh 30-41,Eylül 2014.
• [18]A., Çalış, S., Kayapınar, Ç., Çetinyokuş, ”Veri Madenceliğinde Karar Ağacı Algoritmaları İle Bilgisayar ve İnternet Güvenliği Üzerine Bir Uygulama”, Gazi Üniversitesi, Endüstri Mühendisliði DergisiCilt: 25 Sayý: 3-4 Sayfa: (2-19), 2014
• [19] Sezer, E. A., Bozkır, A. S., Yağız, S., Gökçeoğlu C.2010. “Karar Ağacı Derinliğinin CART Algoritma-sında Kestirim Kapasitesine Etkisi: Bir Tünel Açma Makinesinin İlerleme Hızı Üzerinde Uygulama,” Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, Kayseri.