Epilepsy EEG Data Classification via Machine Learining Techniques

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.
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.