Gerçek Zamanlı Epileptik Nöbet Tespiti için Zaman Bölgesi Öznitelikleri ve Topluluk Öğrenmesi

Ekim G.

EGE ZİRVESİ 15. ULUSLARARASI UYGULAMALI BİLİMLER KONGRESİ, İzmir, Türkiye, 12 - 14 Haziran 2026, ss.1-11, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: İzmir
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-11
  • Karadeniz Teknik Üniversitesi Adresli: Evet

Özet

Epileptik nöbetlerin otomatik olarak tespit edilmesi, epilepsinin tanı ve yönetimi açısından büyük önem taşımaktadır. Literatürde yaygın olarak kullanılan birçok yöntem, dalgacık veya frekans tabanlı dönüşümler ile derin öğrenme yaklaşımlarına dayanmakta; ancak bu yöntemler yüksek hesaplama maliyeti nedeniyle gerçek zamanlı uygulamalarda sınırlı kalmaktadır. Bu çalışmada, yalnızca zaman bölgesi özniteliklerine dayanan, düşük hesaplama karmaşıklığına sahip ve yorumlanabilir bir epileptik nöbet tespit yaklaşımı önerilmektedir. Önerilen yöntemde herhangi bir dönüşüm, karmaşık ön işleme veya derin öğrenme mimarisi kullanılmadan, yalnızca düşük maliyetli zaman bölgesi öznitelikleri ile yüksek sınıflandırma başarımı elde edilmesi hedeflenmiştir. Çalışmalar, Bonn Üniversitesi EEG veri kümesi üzerinde gerçekleştirilmiş; EEG sinyallerinden Hjorth parametreleri, sıfır geçiş oranı, eğim değişimi, enerji ve tepe-tepe genliği dâhil toplam 17 istatistiksel ve karmaşıklık tabanlı öznitelik çıkarılmıştır. Özniteliklerin ayırt ediciliği Bilgi Kazanımı yöntemi ile değerlendirilmiş ve standart sapma, enerji ile tepe-tepe genliğinin en etkili öznitelikler olduğu belirlenmiştir. Sınıflandırma aşamasında Rastgele Orman, k-En Yakın Komşu ve Topluluk Öğrenmesi yöntemleri kullanılmıştır. Deneysel sonuçlar, bazı ikili sınıflandırma görevlerinde %100 doğruluk elde edildiğini ve tüm görevler genelinde ortalama %93,95 doğruluk sağlandığını göstermiştir. Elde edilen bulgular, önerilen yaklaşımın düşük maliyetli, hızlı ve gerçek zamanlı giyilebilir EEG sistemleri ile klinik karar destek uygulamaları için uygun bir alternatif sunduğunu ortaya koymaktadır.

Automatic detection of epileptic seizures is of great importance in the diagnosis and management of epilepsy. Many methods widely used in the literature are based on wavelet or frequency-based transformations and deep learning approaches; however, these methods are limited in real-time applications due to high computational cost. In this study, a low-complexity and interpretable epileptic seizure detection approach based solely on time-domain features is proposed. In the proposed method, without using any transformation, complex preprocessing, or deep learning architecture, it is aimed to achieve high classification performance using only low-cost time-domain features. The study was conducted on the Bonn University EEG dataset, and a total of 17 statistical and complexity-based features, including Hjorth parameters, zero-crossing rate, slope variation, energy, and peak-to-peak amplitude, were extracted from EEG signals. The discriminative power of the features was evaluated using the Information Gain method, and standard deviation, energy, and peak-to-peak amplitude were identified as the most effective features. In the classification stage, Random Forest, k-Nearest Neighbors, and Ensemble Learning methods were used. Experimental results showed that 100% accuracy was achieved in some binary classification tasks and an average accuracy of 93.95% across all tasks. The obtained findings demonstrate that the proposed approach offers a low-cost, fast, and suitable alternative for real-time wearable EEG systems and clinical decision support applications.