Epilepsy EEG Data Classification via Machine Learining Techniques

Abstract

In today's world, where technology has developed rapidly compared to the past, the application area of software and artificial intelligence techniques in most areas has become a feature that facilitates the work of people. In this regard one of the problem areas where machine learning techniques operating in many fields are frequently encountered has been the field of health. EEG signals, which are used in the study and modeling of disorders in the brain's behavior, have become the main source of information in the diagnosis of epilepsy diseases that affect many people worldwide. In this study, EEG signals obtained from epilepsy patients were used as time series data containing 500 different person information. The segmentation operation of the classified data set is divided into with the k-fold cross validation method. The results obtained from the machine learning techniques used for the epileptic seizure diagnosis classification process were 76.39% from the ANN, 82.24% from the LDA, and 93.41% from the K-NN.

Keywords

• EEG Time Series
• Epilepsy
• Machine Learning
• Artificial Neural Networks
• K-Nearest Neighbor Algorithm
• Linear Discriminant Analysis Algorithm
• Classification

Epilepsi EEG Verilerinin Makine Öğrenmesi Teknikleriyle Sınıflandırılması

Öz

Teknolojinin geçmişe nazaran büyük bir hızla geliştiği günümüzde, çoğu alanda yazılımların, yapay zekâ tekniklerinin uygulama alanı artmış insanların işlerini kolaylaştırıcı bir özellik haline gelmiştir. Bu açıdan birçok alanda faaliyet gösteren makine öğrenmesi tekniklerinin sıklıkla rastlandığı problem alanlarından biri sağlık alanı olmuştur. Beynin davranışlarında rastlanan bozuklukların incelenmesinde ve modellenmesinde kullanılan EEG sinyalleri, dünya çapında birçok insanı etkileyen epilepsi hastalığının tanılanmasında temel bilgi kaynağı haline gelmiştir. Bu çalışma kapsamında da epilepsi hastalarından alınan EEG sinyalleri, 500 farklı kişi bilgisini içeren zaman serisi verisi olarak kullanılmıştır. Sınıflandırılan veri setinin bölümlendirme işlemi k-fold cross validation yöntemi ile ayrılmıştır. Epileptik nöbet tanılama sınıflandırma işlemi için kullanılan makine öğrenme tekniklerinden elde edilen sonuçlar ise YSA’dan %76.39, LDA’dan %82.24, K-NN’den ise %93.41 olduğu görülmüştür.

Anahtar Kelimeler

• EEG Zaman Serileri
• Epilepsi
• Makine Öğrenmesi
• Yapay Sinir Ağları
• K-En Yakın Komşu Algoritması
• Lineer Diskriminant Analiz Algoritması
• Sınıflandırma

Kaynakça

1. Akdağ, G., Algın, D. İ. & Erdinç, O. O. (2016). Epilepsi. Osmangazi Tıp Dergisi, 38 (Özel Sayı 1), 35-41, Eskişehir.
2. Alan, M. (2020). Derin Öğrenme İle Biyosinyal Sınıflandırma Ve Hastalık Tahmini (Yüksek Lisans Tezi). Marmara Üniveritesi, Fen Bilimleri Enstitüsü, İstanbul.
3. Albayrak, M. (2008). EEG Sinyallerindeki Epileptiform Aktivitenin Veri Madenciliği Süreci ile Tespiti (Doktora Tezi). Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
4. Alkan, A., Subaşı, A. & Kıymık, M. (2003). EEG İşaretlerinin Yapay Sinir Ağı ile Sınıflandırmasında En Yüksek Olabilirlik Kestiriminin Kullanılması. 11. Sinyal Isleme ve Iletisim Uygulamaları Kurultayı, (s. 741-744). İstanbul.
5. Andrzejak, R. G., Lehnertz, K., Rieke, C., Mormann, F., David, P., Elger & C. E. (2001). Indications of Nonlinear Deterministic and Finite Dimensional Structures in Time Series of Brain Electrical Activity: Dependence on Recording Region and Brain State. Pyhsical Review E, 64(6), 1-8.
6. Asilkan, Ö. & Irmak, A. G. S. (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 375-391.
7. Başçıl, M. S. (2015). Beyinde Üretilen Yöne Bağlı EEG Sinyallerinin Özellik Çıkarımı Yardımıyla Sınıflandırılması (Doktora Tezi). Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
8. Boz, H., & Köse, U. (2018). Emotion extraction from facial expressions by using artificial intelligence techniques. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 9(1), 5-16.

9. Cevizoğlu, H. (2019). Yapay Zekâ, Teknoloji Felsefesi ve Toplumsal Yaşam. Yapay Zekâ ve Gelecek, İstanbul: Doğu Kitabevi.
10. Copeland, M. (2016). Nvidia, What’s the Difference Between Artificial Intelligence, Machine Learning, and Deep Learning? Online Web site: 03.11.2020 tarihinde https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/ adresinden erişildi.
11. Deperlioğlu, Ö. (2018). The Effects of Different Training Algorithms on the Classification of Medical Databases Using Artificial Neural Networks. In European Conference on Science, Art & Culture ECSAC.
12. Eşme, E. & Karlik B. (2014). Comparison Supervised Learning Algorithms for Gases/Odors Identification. Intellectual Systems of Decısıon-Makıng and Problems of Computatıonal Intellıgence (ISDMCI’14). Ukraine.
13. Gershenson, C. Artificial Neural Networks for Beginners [PDF belgesi]. Lecture Notes Online Web site: 18.01.2021 tarihinde https://www.uv.mx/mia/files/2012/10/Artificial-Neural-Networks-for-Beginners.pdf adresinden erişildi.
14. Graupe, D. (2013). Principles of Artificial Neural Networks (3rd edition). World Scientific, Advanced Series in Circuits and Systems: Volume 7, Chicago, University of Illinois, USA. https://doi.org/10.1142/8868
15. Hasson, U., Nastase, S. A., & Goldstein, A. (2020). Direct fit to nature: An evolutionary perspective on biological and artificial neural networks. Neuron, 105(3), 416-434.
16. Haykin, S. (1999). M. Neural Networks – A Comprehensive Foundation (2nd Edition). Prentice Hall, New Jersey.
17. Hu, C. (2002). Advanced Tourism Demand Forecasting : ANN and Box-Jenkins Modelling (Doktora Tezi). Purdie University, MI, USA.
18. Kaya, D. (2019). Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 583-587.
19. Kaya, D. & Türk, M. (2017). Biyoelektriksel İşaretlerde Rahatsızlık Teşhisinin Yorumlanması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(1) , 261-267.
20. Köse, U. (2018a). An Ant-Lion Optimizer-Trained Artificial Neural Network System for Chaotic Electroencephalogram (EEG) Prediction. Applied Sciences, 8(9), 1613. doi:10.3390/app8091613.
21. Köse, U. (2018b). Are we safe enough in the future of artificial intelligence? A discussion on machine ethics and artificial intelligence safety. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 9(2), 184-197.
22. Mitchell, T. (1997). Does Machine Learning Really Work?. AI Magazine, 18(3), USA. Musumeci, T., Bonaccorso, A., & Puglisi, G. (2019). Epilepsy Disease and Nose-to-Brain Delivery of Polymeric Nanoparticles: An Overview. Pharmaceutics, 11(3), 118. doi:10.3390/pharmaceutics11030118.
23. Özcan, A. R. (2020). EEG İşaretlerinde Evrişimli Sinir Ağları ile Epileptik Nöbet Tahmini. (Doktora Tezi). Koceli Üniversitesi, Fen Bilimleri Enstitüsü, Kocaeli.
24. Özer, E. (2015). Epilepsi Hastalığının Dalgacık Dönüşümleri ve Yapay Sinir Ağları ile Tanılanması (Yüksek Lisans Tezi). Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
25. Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık Eğitim.
26. Panjeh. M. A. (2018). Bilgisayar Ağlarında Makine Öğrenimi Algoritmalarını Kullanarak İzinsiz Giriş Tespiti (Yüksek Lisans Tezi). Atatürk Üniversitesi, Yönetim Bilişim Sistemleri Anabilim Dalı, Erzurum.
27. Pehlivan F. (1997). Biyofizik. Ankara: Pelikan Yayınevi.
28. Polat, H. (2016). Görsel – İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması (Yüksek Lisans Tezi). Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır.
29. S.B.Ü. DR. Behçet Uz Çocuk Hatalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi. (2020). Epilepsi: Çocuk ve Aile Rehberi. Online Web site: 02.10.2020 tarihinde https://behcetuzch.saglik.gov.tr/TR,107628/epilepsi-cocuk-ve-aile-rehberi.html adresinden erişildi.
30. Sanei, S. & Chambers, J. A. (2007). EEG Signal Processing. USA: John Wiley & Sons Ltd. 35-125. https://doi.org/10.1002/9780470511923
31. Sağıroğlu, Ş., Güney, K. & Erler, M. (2003). Computatıon of Radıatıon Effıcıency For A Resonant Rectangular Mıcrostrıp Patch Antenna Usıng Backpropagatıon Multılayered Perceptrons, Istanbul Unıversıty Journal of Electrıcal & Electronıcs Engıneerıng, 3(1), 663-671.
32. Şenol, C. (2006). EEG Sinyallerinin Zaman Serileri ile Modellenmesi (Yüksek Lisans Tezi). Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
33. Taşçı, A. E. & Onan, A. (2016). K En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi. Akademik Bilişim, (s. 1-8). Aydın.
34. Taywade, S. A. & Raut, R. D. (2012). A Review: EEG Signal Analysis with Different Methodologies. IJCA Proceedings on National Conference on Innovative Paradigms in Engineering and Technology (NCIPET 2012), ncipet(6)29-31, March 2012. https://www.ijcaonline.org/proceedings/ncipet/number6/5236-1048
35. Tekin, R., Kaya, Y. & Tağluk, M. E. (2011). K-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması. Elektrik- Elektronik ve Bilgisayar Sempozyumu, (s. 277-283). Elazığ: TMMOB Elektrik Mühendisleri Odası.
36. Varsavsky, A., Mareels, I. & Cook, M. (2016). Epileptic Seizures and the EEG: Measurement, Models, Detection and Prediction, 1st ed., CRC Press, USA.
37. World Health Organization. (2020). World Health Organization: Epilepsy. Online Web site: 2.09.2020 tarihinde https://www.who.int/news-room/fact-sheets/detail/epilepsy adresinden erişildi.
38. Yegnanarayana, B. (2009). Artificial Neural Networks. PHI Learning Pvt. Ltd..
39. Yeditepe. (2019). Yeditepe Epilepsisiz. Online Web site: 20.09.2019 tarihinde http://www.yeditepeepilepsisiz.com/epilepsi/ adresinden erişildi.
40. Zupec-Kania B.A. & Spellman E. (2009). An Overview of The Ketogenic Diet for Pediatric Epilepsy, Nutrition in Clinical Practice, 23(6), 589-596. doi: 10.1177/0884533608326138. PMID: 19033218.