Derin sinir ağlarıyla elektroensefalografi sinyalleri sınıflandırılarak yenidoğanlarda epilepsi tanı yöntemi geliştirilmesi

Abstract

Bu tez, yenidoğanlarda nöbet tespit etme sorununu ele almaktadır. Bu tez çalışmasında Alexnet, resnet18, googlenet, densenet ve resnet50 dahil olmak üzere önceden eğitilmiş derin evrişim sinir ağlarını (p-DCNN) mantıklı bir şekilde yeniden yapılandıran bir transfer öğrenme tekniği çalışılmıştır. Bu ağlar, renkli görüntülere dönüştürülen çok kanallı elektroensefalografi (EEG) sinyallerinden yenidoğan nöbeti tespit etmek için kullanılmıştır. Bu sorunu çözmek için, transfer öğrenme tabanlı ağlar yerine doğrudan bir evrişim sinir ağı (CNN) gibi klasik derin bir sinir ağı yapısı (DNN) kullanılabilir. Ancak, bir DNN çok fazla eğitim verisine ihtiyaç duymasının yanında, çok fazla eğitim süresi ve yüksek performanslı hesaplama özelliğine sahip bir bilgisayar gerektirir. DNN'de ayrıca istenen sınıflandırma başarısını elde etmek için ayarlanması gereken kullanıcı tarafından belirlenmesi gerekli olan çok sayıda parametre vardır. Bu dezavantajları önlemek için, yenidoğan nöbet tespit problemini çözmek amacıyla bir transfer öğrenme tekniği önerilmiştir. Simülasyonların sonuçları ve istatistiksel analizler, nöbet tespiti için kullanılabilecek bir transfer öğrenme tekniğinin etkinliğini göstermiştir.

The paper considers the problem of detecting neonatal seizures via a transfer learning technique that judiciously reconstructs pretrained deep convolution neural networks (p-DCNN), including alexnet, resnet18, googlenet, densenet and resnet50 in this thesis. These networks are utilized to detect neonatal seizure from multi channel electroencephalography (EEG) signals converted to color images. To handle this problem, it may be directly used a deep neural network (DNN) such as a convolution neural network (CNN) instead of transfer learning based networks. However, a DNN requires too much training data, too much training time and a computer with high performance computational capability. The DNN also has a number of user supplied parameters that must be tuned to obtain desirable classication success. In order to prevent these drawbacks, we proposed a transfer learning technique to solve neonatal seizures detection problem. The results of simulations and the statistical analysis enable us to devise a transfer learning technique that can be employed for seizure detection.