Bu çalışmada, epileptik ve epileptik olmayan EEG sinyallerinden elde edilen özniteliklerin boyutlarının Temel Bileşenler Analizi (TBA) ve Bağımsız Bileşenler Analizi (BBA) yöntemleri ile indirgenmesinin sınıflandırma başarısı üzerine etkilerinin belirlenmesi ve Lineer Diskriminant Analizi (LDA) ile Destek Vektör Makinesi (DVM) yöntemlerinin sınıflandırma performanslarının karşılaştırılması hedeflendi.
Çalışmaya 10 kontrol ve uzman hekim tarafından epilepsi tanısı konmuş 10 hasta olmak üzere toplam 20 kişi dahil edildi. Epilepsi tanısı konmuş hastalardan alınan EEG kayıtları nöbet geçirmedikleri sırada alınan kayıtlardı. Epileptik ve epileptik olmayan sinyalleri sınıflandırmak için Ayrık Dalgacık Dönüşümü (ADD) ile sinyallerinin spektral analizi gerçekleştirildi ve sınıflandırmada kullanılacak olan öznitelikler elde edildi. Öncelikle özniteliklerin boyutu indirgenmeden, daha sonra TBA ve BBA ile indirgenerek sınıflandırma yapıldı. Sınıflandırma LDA, lineer ve radyal tabanlı çekirdek fonksiyonlarının kullanıldığı DVM yöntemleri ile gerçekleştirildi.
Sonuç olarak, en yüksek sınıflandırma başarısı %92,2 duyarlılık %85,6 özgüllük ve %88,9 doğruluk oranlarıyla özniteliklerde boyut indirgenme yapılmadan ve radyal tabanlı çekirdek fonksiyonunun kullanıldığı DVM yöntemi ile elde edildi. BBA ve TBA ile boyutu indirgenen özniteliklerle yapılan sınıflandırmalarda benzer sonuçlar elde edildi.
In this study, it is aimed to find out the impact of features derived from epileptic and non epileptic EEG signals and the reduction of their dimensions by Principal Component Analysis (PCA) and Independent Component Analysis (ICA) on classification success and to compare the classification performance of Linear Discriminant Analysis (LDA) and Support Vector Machine (SVM) are used.
A total of 20 people,10 epilepsy patients who were diagnosed by specialist physicians and 10 non-epilepsy patients were included in the study. The EEG recordings taken from those who were diagnosed with epilepsy while they were not having seizures. To classify epileptic and non epileptic signals, first and foremost Discrete Wavelet Transform (DWT) and the spectral analysis of EEG signals were performed and features that would be used to classify the signals were obtained. First, features were classified without their dimentions being reduced. Then, they were classified after their dimensions were reduced by PCA and ICA. The classification was performed by LDA and SVM in which linear and radial basis kernel functions are used.
As a result, the highest classification success with 92.5% sensitivity, 85.6% specificity, and 88.9% accuracy ratios were obtained by DVM method in which features, whose dimensions were not reduced and radial basis kernel function are used. Similar classification results were obtained by features whose dimensions were reduced by PCA and ICA.
