EEG tabanlı epileptik nöbet sınıflandırması için LSTM-ViT hibrit modeli

Online Makale

Online Hizmetlere Toplu Bakış Online Kayıt ve Konaklama Online Bilimsel Program Dernekler İçin... Referanslarımız Telefon ve e-posta Desteği Bildiri özeti nedir? Bildiri özeti nasıl hazırlanır? Bildiri özeti örnekleri Kabul mektubu örnekleri

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi

EEG tabanlı epileptik nöbet sınıflandırması için LSTM-ViT hibrit modeli [Pamukkale Univ Muh Bilim Derg]

Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-52261 | DOI: 10.65206/pajes.52261

EEG tabanlı epileptik nöbet sınıflandırması için LSTM-ViT hibrit modeli

Seda Arslan Tuncer¹, Çağla HOROZ¹, SiNEM BURCU ERDOĞAN³, Taner Tuncer²
¹Fırat Üniversitesi Mühendislik Fakültesi Yazılım Mühendisliği
²Fırat Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği
³Acıbadem Mehmet Ali Aydınlar Üniversitesi Biyomedikal Mühendisliği Bölümü

Epilepsi, dünya çapında insanları etkileyen kronik bir nörolojik hastalıktır. Epileptik nöbetlerin varlığının tanısı, oldukça öznel olan ve klinisyenin deneyimine bağlı olan Elektroensefalografi (EEG) sinyallerinin klinisyen tarafından görsel olarak yorumlanmasına dayanmaktadır. Ancak süreç özneldir ve klinisyenin deneyimine ve kullanılan yöntemlere bağlı olarak değişiklik gösterebilir. Bu nedenle, epileptik nöbetlerin tespitini ve sınıflandırmasını nesnel ve otomatik hale getirirken aynı zamanda zamandan ve emekten tasarruf sağlayacak klinik karar destek sistemlerine olan ihtiyaç artmaktadır. Bu çalışmada, EEG kayıtlarını kullanarak epileptik nöbetlerin varlığını tespit etmek ve sınıflandırmak için üç farklı derin öğrenme yaklaşımı karşılaştırılmıştır. İlk olarak, sıralı verilerdeki zamansal bağımlılıkları yakalamadaki kanıtlanmış etkinliği göz önünde bulundurularak Uzun Kısa Süreli Bellek (LSTM) modeli uygulanmıştır. İkinci olarak, EEG verileri spektrogramlara dönüştürülmüş ve Vision Transformer (ViT) modeli ile görsel temsiller üzerinde sınıflandırma yapılmıştır. Son olarak, LSTM ve ViT yöntemlerinin özellik çıkarmadaki güçlü yönleri kullanılarak hibrit bir model geliştirilmiştir. Sistemin performansını artırmak için, epileptik nöbetler için sisteme girdi olarak anlamlı özellikler sağlamak üzere ReliefF özellik seçimi algoritması kullanılmıştır. LSTM ve ViT modelleri ile sırasıyla %96,65 ve %97,10'luk sınıflandırma doğruluğu değerleri elde edilmiştir. Hibrit yöntemde, LSTM ve ViT modellerinden elde edilen özellikler birleştirilerek sınıflandırma işlemi ReliefF özellik seçimi algoritması ile seçilen kullanılarak gerçekleştirilmiştir. Bu yöntemle sınıflandırma doğruluğu MLP algoritması için %98 olarak elde edilmiştir. Hibrit yaklaşım, her iki modelin avantajlarını birleştirmiş, epileptik nöbetlerin otomatik sınıflandırılmasında yüksek doğruluk sağlamış ve alternatif yöntemlere kıyasla üstün performans göstermiştir.

Anahtar Kelimeler: Elektroensefalografi, Epileptik Nöbet, Uzun Kısa Süreli Bellek, Vision Transformer

LSTM-ViT hybrid model for EEG-based epileptic seizure classification

Seda Arslan Tuncer¹, Çağla HOROZ¹, SiNEM BURCU ERDOĞAN³, Taner Tuncer²
¹Fırat University Faculty Of Engineering Software Engineering
²Fırat University Faculty Of Engineering Computer Engineering
³Acibadem Mehmet Ali Aydinlar University, Department Of Biomedical Engineering

Epilepsy is a chronic neurological disease that affects people worldwide. Diagnosing epileptic seizures relies on the clinician's visual interpretation of electroencephalography (EEG) signals, which are highly subjective and dependent on the clinician's experience. However, this process is subjective and can vary depending on the clinician's experience and the methods used. Therefore, there is a growing need for clinical decision support systems that can objectively and automatically detect and classify epileptic seizures while saving time and effort. This study compares three different deep learning approaches to detect and classify epileptic seizures using EEG recordings. First, the Long Short-Term Memory (LSTM) model was applied, given its proven effectiveness in capturing temporal dependencies in sequential data. Second, the EEG data were converted into spectrograms and classified using the Vision Transformer (ViT) model. Finally, a hybrid model was developed, leveraging the feature extraction strengths of the LSTM and ViT methods. To improve system performance, the ReliefF feature selection algorithm was used to provide meaningful input features for epileptic seizures. Classification accuracies of 96.65% and 97.10% were achieved with the LSTM and ViT models, respectively. In the hybrid method, the features obtained from the LSTM and ViT models were combined and the classification was performed using the selected features using the ReliefF feature selection algorithm. With this method, the classification accuracy was 98% for the MLP algorithm. The hybrid approach combined the advantages of both models, providing high accuracy in the automatic classification of epileptic seizures and demonstrating superior performance compared to alternative methods.

Keywords: Electroencephalography, Epileptic Seizure, Long Short-Term Memory, Vision Transformer

Sorumlu Yazar: Çağla HOROZ, Türkiye

ARAÇLAR