Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız: http://hdl.handle.net/11452/20212
Başlık: Classification of epileptic eeg signals based on finite impulse response filter and artificial neural networks training algorithms
Diğer Başlıklar: Sonlu dürtü yanıtı filtresi ve yapay sinir ağları eğitim algoritmaları tabanlı epileptik EEG sinyalinin sınıflandırılması
Yazarlar: Bayrak, Şengül
Yücel, Eylem
Şamlı, Rüya
Anahtar kelimeler: Extracranial and intracranial electroencephalogram signals classification
Finite impulse response filter
Kaiser window
Artificial neural networks training algorithms
Ekstrakranial ve intrakranial elektroansefalogram sinyal sınıflandırması
Yapay sinir ağları eğitim algoritmaları
Sonlu dürtü yanıtı filtresi
Kaiser penceresi
Yayın Tarihi: 20-Eyl-2020
Yayıncı: Bursa Uludağ Üniversitesi
Atıf: Bayrak, Ş. vd. (2020). "Classification of epileptic eeg signals based on finite impulse response filter and artificial neural networks training algorithms". Uludağ Üniversitesi Mühendislik Dergisi, 25(3), 1431-1444.
Özet: The electroencephalogram is a powerful tool for understanding the electrical activities of the brain. The automatic and accurate classification of extracranial and intracranial electroencephalogram signals are significant for the evaluation of epilepsy. Electroencephalogram signals contain significant characteristic information about epileptic brain waves. However, the electroencephalogram signals are easily disrupted by the artifacts polluting. This study proposed a clinical decision support system to extract significant epilepsy-related spectral features from the electroencephalogram signal. The artifact-free electroencephalogram signals features were obtained from the Kaiser window based on Finite Impulse Filter. The extracted features were modelled by the Artificial Neural Networks Back Propagation training algorithms which are Levenberg-Marquardt, Bayesian Regularization, and Scaled Conjugate Gradient. The algorithms' classification performances were compared by the accuracy rates. The experiment results show that compared with the Artificial Neural Networks Back Propagation training algorithms, the performance of the Levenberg-Marquardt is better from the point of accuracy rate which achieves a satisfying classification accuracy of 83.01% for extracranial and intracranial electroencephalogram signals.
Elektroansefalogram beyinin elektriksel aktivitelerini anlamak için güçlü bir araçtır. Ekstrakranial ve intrakranial elektroansefalogram sinyallerinin otomatik ve doğru sınıflandırılması epilepsinin değerlendirilmesi için önemlidir. Elektroansefalogram sinyali, epileptik beyin dalgası hakkında önemli karakteristik bilgi içermektedir. Fakat elektroansefalogram sinyali artefakt kirleticiler tarafından kolaylıkla bozulmaktadır. Bu çalışma, elektroansefalogram sinyalinden epilepsi hakkında önemli spektral özellikleri çıkarmak amacıyla klinik bir karar destek sistemi önermektedir. Artefakttan arındırılmış elektroansefalogram sinyal özellikleri, Kaiser penceresi tabanlı Sonlu Dürtü Yanıtı filtresinden elde edilmiştir. Yapay Sinir Ağları Geri Yayılım eğitim algoritmalarından Levenberg-Marquardt, Bayesian Düzenlenmesi ve Ölçekli Konjugat Gradyan algoritmalarına çıkarılan özellikler uygulanarak modellenmiştir. Algoritmaların sınıflandırma performansları doğruluk oranlarına göre karşılaştırılmıştır. Deneysel sonuçlar, Yapay Sinir Ağları Geri Yayılma eğitim algoritmaları ile yapılan deneyler karşılaştırıldığında, Levenberg-Marquardt algoritması ekstrakranial ve intrakranial elektroansefalogram sinyali için %83,01'lik tatmin edici bir sınıflandırma doğruluğu ile diğer algoritmalara göre daha iyi doğruluk oranı verdiğini gösterir.
URI: https://dergipark.org.tr/tr/download/article-file/1157244
https://doi.org/10.17482/uumfd.754577
http://hdl.handle.net/11452/20212
ISSN: 2148-4147
2148-4155
Koleksiyonlarda Görünür:2020 Cilt 25 Sayı 3

Bu öğenin dosyaları:
Dosya Açıklama BoyutBiçim 
25_3_20.pdf1.09 MBAdobe PDFKüçük resim
Göster/Aç


Bu öğe kapsamında lisanslı Creative Commons License Creative Commons