ÖZET: Elektroensefalogram (EEG), Epilepsi, Spektral Analiz, Zaman- Frekans Yöntemleri, Yapay Sinir Ağlan. EEG' de epileptik deşarjların belirlenmesi, epilepsi tanısında önemli bir konudur. Bu tezde, EEG işaretleri farklı ön işleme yöntemleri ile analiz edilerek, öznitelik vektörleri elde edilmiş ve bu öznitelik vektörleri çok katmanlı algılayıcı yapay sinir ağı temelli sınırlandırıcıya, sınıflama için giriş olarak uygulanmıştır. Önişleme için klasik, parametrik ve alt uzay yöntemleri kullanılmıştır. EEG işaretlerinin güç spektral yoğunluğunun elde edilmesi, için klasik yöntemlerden periodogram yöntemi kullanılmıştır. Aralarındaki farkı görmek ve kıyaslama yapabilmek için EEG işaretleri farklı parametrik yöntemlerle analiz edilerek, karşılaştırılmıştır. Yine bu işlemler için alt uzay yöntemlerinden MUSIC ve özvektör yöntemleri ile zaman-frekans yöntemleri de çalışmada kullanılan önişleme yöntemlerdendir. Sınıflandırıcı önişleme yöntemine bağlı olarak 90%'lar civarında kabul edilebilir bir basan elde etmiştir. Yapay sinir tabanlı sınıflandırıcı tam sisteminin test performansı başarılı olup, bu sistemin klinik çalışmalarında kullanılabileceği görülmüştür. Sonuçlar bölümünde geliştirilen tanı sisteminin algoritması verilerek, sınıflandırma sisteminin başarısı ve ayrıntılı sonuçları verilmiştir.
CLASSIFICATION OF EEG SIGNALS BY USING CLASSICAL AND MODERN PREPROCESSING METHODS SUMMARY Key words: Electroencephalogram (EEG), Epilepsy, Spectral Analysis, Time- Frequency Methods, Artificial Neural Networks. The detection of epileptiform discharges in the EEG is an important component in the diagnosis of epilepsy. In this thesis, EEG signals are analyzed by using different preprocessing methods to get the feature vectors. Then these feature vectors are used as an input to an multilayer perceptron neural network (MLPNN) based classifier to make classification. Non-parametric, parametric, subspace and time-frequency methods are used for preprocessing. Peridogram method which is a non-parametric method is used to get the power spectral density of EEG signals. To see the difference and make a comparison between them, these signals are analyzed with the different parametric spectral analysis methods. Also MUSIC, Eigenvector and time-frequency methods are used for preprocessing. Classifier has achieved an acceptable classification success with the value of about 90% depending on the preprocessing method. The testing performance of the neural network based diagnostic system is found to be satisfactory and this system can be used in clinical studies. Also algorithm of developed diagnostic system is explained, detailed results and achievements of the classification system is given in final chapter. xv
