Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2015
Tezin Dili: Türkçe
Öğrenci: DENİZ KARAÇOR
Eş Danışman: MURAT HÜSNÜ SAZLI, EYÜP SABRİ AKARSU
Özet:Dünya çapında hemen hemen 50 milyon insanı etkileyen epilepsi, aşırı nöraldeşarjların ani oluşumu ile karakterize edilen kronik bir nörolojik hastalıktır. Epileptiknöbetlerin otomatik tespiti, halȃ zorlu bir problemdir. Hayvan modellerinin,epilepsinin gelişiminin altında yatan mekanizmayı incelemek ve anti-epileptik ilaçlarınepileptik nöbetler üzerindeki etkilerini değerlendirmek için gerekli olduğu giderekdaha çok belirginleşmiştir. Bu tez, Rat’lardan telemetrik kayıt sistemleri kullanılarakkayıt edilen uzun süreli EEG (Elektroensefalogram) sinyallerinde epileptiformaktiviteleri tespit etmek için bir yaklaĢım ortaya koymaktadır.Ayrık Lissajous figürleri ve rekton fonksiyonları, 1997’de Sazlı tarafından geliĢtirilmiĢve kardiyak aritmilerin tespiti için EKG (Elektrokardiyogram) sinyallerineuygulanmıĢtır. Bu tezde ilk olarak otokorelasyon ve rekton fonksiyonları arasındakiiliĢki ortaya konmuĢtur. Ġkinci olarak; epileptiform aktivite tespit algoritması içinöznitelik olarak kullanılan rekton fonksiyonları, EEG sinyallerinden çıkarılmış vesonrasında eğitim ve sınıflandırma için sınıflandırıcılara gönderilmiştir. Öznitelikvektörlerinin sınıflandırılması için, iki farklı makine öğrenme algoritmasıkullanılmıştır: Öğreticisiz öğrenme (hiyerarĢik kümeleme) ve öğreticili öğrenme (çokkatmanlı algılayıcılar ve destek vektör makineleri). Önerilen algoritma,performansının değerlendirilmesi için, PTZ (Pentilentetrazol) ile oluşturulmuş epileptiform aktivite gösteren dokuz erişkin erkek Wistar Albino ırkı Rat’auygulanmıştır. Sonuçlar, Rat EEG’sinin yapısal olarak heterojen bir doğada olduğunuortaya koymuş ve çözümleme bağlamında problemlerin daha iyi tanımlanabilmesi içiniyi başlangıç noktaları vermiştir.AbstractEpilepsy is a chronic neurological disorder characterized by a sudden occurrence ofexcessive neuronal discharges, which affects nearly 50 million people worldwide.Automatic detection of epileptic seizures is still a challenging problem. It has becomeincreasingly apparent that animal models are necessary to investigate the mechanismunderlying the development of epilepsy and to evaluate the effects of anti-epilepticdrugs on epileptic seizures. This thesis presents an approach to detect epileptiformactivities in long-term EEG (Electroencephalogram) signals recorded from Rats byusing a telemetric recording system.Discrete Lissajous figures and recton functions were introduced and developed, thenapplied to ECG (Electrocardiogram) signals to detect cardiac arrhythmias by Sazlı in1997. Firstly, relationship between autocorrelation and recton functions was scrutinizedin this thesis. Secondly, the recton functions used as features for epileptiform activitydetection algorithm were extracted from EEG signals, and then sent into the classifiersfor training and classification. Two different machine learning algorithms were used forclassification of feature vectors: Unsupervised learning (hierarchical clustering) andsupervised learning (multilayer perceptrons, MLPs and support vector machines,SVMs). Proposed algorithm was applied to nine adult male Wistar Albino Rats withepileptiform activities induced by PTZ (Pentylenetetrazol) for the evalution of itsperformance. The results seem to lend several viable starting points dealing with theheterogeneous nature of the Rat EEG and possible further solution approaches.