ÇEKİŞMELİ ÜRETİCİ AĞ TABANLI SENTETİK EEG VERİ ARTIRIMI VE EPİLEPTİK EEG SINIFLANDIRMASINA ETKİSİNİN İNCELENMESİ

Ekim G.

19. EJONS ULUSLARARASI KONGRESİ "Bilimsel Araştırmalar ve Güncel Gelişmeler", İstanbul, Türkiye, 25 - 27 Haziran 2026, ss.1-12, (Tam Metin Bildiri)

Yayın Türü: Bildiri / Tam Metin Bildiri
Basıldığı Şehir: İstanbul
Basıldığı Ülke: Türkiye
Sayfa Sayıları: ss.1-12
Karadeniz Teknik Üniversitesi Adresli: Evet

Elektroensefalografi (EEG) sinyallerinden epileptik nöbetlerin otomatik olarak tespit edilmesi, biyomedikal sinyal işleme ve makine öğrenmesi alanlarında önemli bir araştırma konusudur. Ancak EEG kayıtlarının elde edilmesinin maliyetli ve zaman alıcı olması, veri yetersizliği problemini ortaya çıkararak sınıflandırma performansını olumsuz etkileyebilmektedir. Son yıllarda üretici yapay zekâ yöntemleri, özellikle Çekişmeli Üretici Ağlar (Generative Adversarial Networks-GAN), sentetik biyomedikal veri üretimi için etkili bir yaklaşım olarak öne çıkmaktadır. Bununla birlikte, mevcut çalışmaların çoğu ham EEG sinyalleri veya derin öğrenme tabanlı özelliklere odaklanırken, sınıfa özgü GAN tabanlı veri artırmanın klasik EEG özellikleri ve geleneksel makine öğrenmesi yöntemleri üzerindeki etkisi yeterince incelenmemiştir. Bu çalışmada, Bonn Üniversitesi EEG veri seti kullanılarak her EEG sınıfı için bağımsız GAN modelleri eğitilmiş ve sınıfa özgü sentetik EEG sinyalleri üretilmiştir. Gerçek ve sentetik EEG verilerinden 10 adet zaman ve 10 adet frekans bölgesi özelliği olmak üzere toplam 20 klasik özellik çıkarılmış, elde edilen özellikler Rastgele Orman sınıflandırıcısı ile değerlendirilmiş ve farklı sentetik veri oranlarının (%0–%400) sınıflandırma performansına etkisi incelenmiştir. Deneylerde ikili, üçlü, dörtlü ve beşli sınıf kombinasyonları için doğruluk ve makro F1-skoru ölçütleri kullanılmıştır. Sonuçlar, sınıf bazlı GAN ile üretilen sentetik verilerin sınıflandırma performansına etkisinin veri artırma oranına ve sınıflandırma senaryosuna bağlı olarak değiştiğini göstermiştir. Önerilen yaklaşım, sınıfa özgü GAN tabanlı EEG veri artırmanın epileptik EEG sınıflandırması üzerindeki etkisini analiz eden basit ve yorumlanabilir bir çerçeve sunmaktadır.

Automatic detection of epileptic seizures from electroencephalography (EEG) signals is an important research topic in the fields of biomedical signal processing and machine learning. However, the costly and time-consuming acquisition of EEG recordings leads to the problem of data scarcity, which can adversely affect classification performance. In recent years, generative artificial intelligence methods, particularly Generative Adversarial Networks (GANs), have emerged as an effective approach for synthetic biomedical data generation. Nevertheless, most existing studies have focused on raw EEG signals or deep learning-based features, while the effect of class-specific GAN-based data augmentation on classical EEG features and conventional machine learning methods has not been sufficiently investigated. In this study, independent GAN models were trained for each EEG class using the University of Bonn EEG dataset, and class-specific synthetic EEG signals were generated. A total of 20 classical features, including 10 time-domain and 10 frequency-domain features, were extracted from both real and synthetic EEG data. The extracted features were evaluated using a Random Forest classifier, and the effects of different synthetic data ratios (0%–400%) on classification performance were investigated. In the experiments, accuracy and macro F1-score metrics were used for binary, three-class, four-class, and five-class classification combinations. The results demonstrated that the effect of synthetic data generated by class-based GANs on classification performance varies depending on the augmentation ratio and the classification scenario. The proposed approach provides a simple and interpretable framework for analyzing the impact of class-specific GAN-based EEG data augmentation on epileptic EEG classification.