Epileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımı

Basit Öğe Kaydı
dc.contributor.authorTürk, Ömer
dc.contributor.authorÖzerdem, Mehmet Siraç
dc.date.accessioned14.07.201910:49:13
dc.date.accessioned2019-07-16T20:46:03Z
dc.date.available14.07.201910:49:13
dc.date.available2019-07-16T20:46:03Z
dc.date.issued2017
dc.departmentMAÜ, Meslek Yüksekokulları, Mardin Meslek Yüksekokulu, Bilgisayar Teknolojileri Bölümüen_US
dc.description.abstractElektroansefalogram (EEG), epilepsi tespitinde yaygın olarak kullanılan önemli bir veri kaynağıdır. Bu çalışmada da Bonn Üniversitesi Epileptoloji bölümü veritabanından alınan ve A, B, C, D, E olmak üzere 5 işaret grubundan oluşan EEG kayıtları kullanılmıştır. Bir boyutklu medyan yerel ikili örüntü (1B-MYİÖ) yöntemi uygulanarak elde edilen özniteliklerin k-En Yakın Komşu (k-NN) sınıflandırıcısı ile sınıflandırılması amaçlanmıştır. Çalışmada geliştirilen 1BMYİÖ yönteminin öznitelik olarak sınıflandırma başarısı değerlendirilmiştir. Bu sınıflandırma için karışıklık matrisi hesaplanarak model başarım ölçümü yapılmıştır. Çalışmada A-E veri setleri için sınıflandırma performansı %100, A-D veri setleri için %99.00, D-E veri setleri için %98.00, E-CD veri setleri için %99.50 ve A-D-E veri setleri için de %96.00 olarak bulunmuştur. Çalışmada kullanılan 1B-MYİÖ yönteminin, literatürde kullanılan birçok yöntemden daha iyi sonuç verdiği görülmüştür.en_US
dc.description.abstractElectroencephalogram is an important data source that widely used in detecting epilepsy. In this study, EEG records consisting of five markers A, B, C, D, E that obtained from the database of Epilogy of Bonn University Epileptology Department was used. The feature vectors that obtained by applying the one dimension median local binary pattern (1D-MLBP) method were classified by using k nearest neighbor (kNN) algorithm The classification performance related to 1D-MLBP method developed was evaluated as an attribute. For this classification, the performance criteria was evaluated by calculating the confusion matrix. In this study,the classification performance for the A-E data sets was found to be 100.0%, 99.00% for the A-D data sets, 98.00% for the D-E data sets, 99.50% for the E-CD data sets and 96.00% for the A-D-E data sets. It has been seen that 1D-MLBP method used in the study gives better results than many methods used in the literature.en_US
dc.identifier.endpage107en_US
dc.identifier.issn2147-9526
dc.identifier.issue3en_US
dc.identifier.startpage97en_US
dc.identifier.trdizinid243278en_US
dc.identifier.urihttps://trdizin.gov.tr/publication/paper/detail/TWpRek1qYzRPQT09
dc.identifier.urihttps://hdl.handle.net/20.500.12514/1711
dc.identifier.volume5en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.relation.ispartofGazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknolojien_US
dc.relation.publicationcategoryDergien_US]
dc.subjectMühendisliken_US
dc.subjectOrtak Disiplinleren_US
dc.titleEpileptik EEG Sinyallerinin Sınıflandırılması için Bir Boyutlu Medyan Yerel İkili Örüntü Temelli Öznitelik Çıkarımıen_US
dc.title.alternativeOne Dimensional Median Local Binary Pattern Based Feature Extraction For Classifying Epileptic EEG Signalsen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
2a250dd2-08a4-4db1-8b8f-a584c65834b9.pdf
Boyut:
594.7 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Araştırma Makalesi
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Bilgisayar Teknolojileri Bölümü Koleksiyonu