Epilepsi en sık görülen nörolojik hastalıklardan birisidir. Öngörülemeyen zamanlarda ortaya çıkan nöbetler hastalara zor anlar yaşatabilmekte, bazı durumlarda ölümlere neden olmaktadır. Güvenilir nöbet kestirim sistemlerinin geliştirilmesi hastalar için hayati önem taşımaktadır. EEG işaretlerinin epileptik analizinde, çoğunlukla nöbetli ve normal olarak ayrıştırılması problemine çözüm üretilmeye çalışılmaktadır. Bu tezde, EEG işaretleri, sadece nöbet ve normal olarak ayrıştırılmamış, nöbet öncesi döneme ait EEG örnekleri de dikkate alınmıştır. Bu amaçla iki sınıflı bir sınıflandırma işlemi (normal-nöbet) yerine üç sınıflı (normal, nöbet öncesi ve nöbet dönemi) bir sınıflandırma gerçekleştirilmiştir. Nöbet kestirimi için hayati önem taşıyan nöbet öncesi dönem EEG kayıtlarının etiketlenmesi işleminde, klasik ve modern sınıflandırıcıların davranış biçimleri incelenerek, kestirim için uygun olanlar tespit edilmeye çalışılmıştır. 21 kanaldan baskın olanı belirlemek için yinelemeli ön sınıflandırma gerçekleştirilmiştir. Böylelikle, kanal seçiminin nöbet kestirimi üzerindeki etkileri değerlendirilmiştir. Baskın kanala ait EEG işaretleri dört yöntem kullanılarak sınıflandırılmıştır. Sınıflandırma sonuçları karşılaştırılarak, yöntemlerin üstünlükleri ve zayıf yönleri belirlenmiştir. Sınıflandırma sonuçları değerlendirildiğinde, destek vektör makineleri yönteminin yüksek doğruluk özelliğiyle öne çıktığı gözlemlenmektedir. Bu yöntem ile ortalama %93,51 doğrulukta sınıflandırma gerçekleştirilmiştir. Nöbet kestirimi açısından, nöbet öncesi dönem duyarlılığı oldukça anlamlıdır. Bu bağlamda doğrusal diskiriminant analizi yöntemi diğer yöntemlere göre daha başarılıdır. Nöbet öncesi dönemler, doğrusal diskiriminant analizi yöntemiyle ortalama %89,10 duyarlılıkla tespit edilmiştir. Doğruluk ve duyarlılık ölçütleri dikkate alındığında k- en yakın komşuluk yönteminin yapay sinir ağlarına göre daha başarılı olduğu görülmektedir. Sınıflandırma sonuçları epilepsinin türüne ve karakteristiğine bağlı olarak kimi hastalarda nöbet kestiriminin güç olmayacağını göstermektedir. Bu aşamada en önemli nokta, hastalığın karakterini belirleyebilecek yeterlikte EEG işaretini temin etmektir. Araştırmada elde edilen bulgular, güncel bilgi ve iletişim teknolojileriyle uyumlu, etkili nöbet kestirim sistemlerinin geliştirilmesi noktasında umut vericidir.
Epilepsy is one of the most common neurological diseases. The seizures occurred in unpredictable occasions may cause the patients to have difficult times and in some cases it may result in death. The design of safe seizure prediction systems has vital importance for patients. Mostly, it is aimed to provide solutions to the problem of discriminating the signals as normal or ictal in the epileptic analysis of EEG signals. In this dissertation, the EEG signals haven't been analyzed regarding as ictal and normal but also the EEG records belonging to the pre-ictal stage have been taken into consideration. For this purpose, instead of using the two-class classification process (normal-ictal), a three-class classification (normal, pre-ictal and ictal) has been implemented. In the process of labeling the pre-ictal EEG records which have vital importance in the seizure prediction, the characteristics of conventional and modern classifiers have been investigated and the appropriate classifiers for prediction have been tried to determine. In order to detect the most dominant one from 21 channels, recurrent pre-classification has been carried out. By this way, the effect of channel selection on seizure prediction has been evaluated. EEG signals belonging to the dominant channel have been classified through four methods. The advantages and disadvantages of the methods have been specified by comparing the results of the classification. When the classification results have been evaluated, it is observed that the method of support vector machines come into prominence with the high accuracy performance. With this method, classification has been carried out with average 93,51 % accuracy. In terms of seizure prediction, the sensitivity of pre-ictal period has been reasonably significant. In this sense, the method of linear discriminant analysis has the best performance. Pre-ictal stages have detected with average 89,10 % sensitivity via the method of linear discriminant analysis. According to sensitivity and accuracy parameters, it has been seen that k-nearest neighbor method is more successful than artificial neural networks. The results of the classification show that in some cases the seizure prediction is not difficult based on the type and characteristics of the epilepsy. At this process the most important factor is to provide EEG signals which are enough to determine the characteristics of the disease. The findings of the dissertation are promising in the development of the effective, seizure prediction systems also compatible with current information and communication technologies.
