Migren, beyindeki sinir ve kan damarlarında meydana gelen değişimler sonucunda ortaya çıkan şiddetli bir baş ağrısı hastalığıdır. Migren hastalığının biyomedikal cihazlarla teşhisine dair bir yöntem henüz geliştirilmemiştir ancak literatürü incelediğimizde EEG sinyalleri kullanılarak migren hastalığının teşhisi ile ilgili birçok çalışmanın yapıldığını görmekteyiz. Bu çalışmada 18 migren hastası ve 21 kontrol grubundan oluşan 39 katılımcının EEG verileri kullanılmış olup, alınan EEG kayıtlarının Senkrosıkıştırma Dönüşümü (SSD) ile zaman-frekans bilgileri elde edilmiştir. Litreartür incelendiğinde beynin belirli bölge ve kanallarında migren hastalığının etkili olduğu görülmüş ve beynin bu bölgelerine (F1, P7, P5, T7, C5, TP7, CP5, FP1, Fz, Cz, T8, C6) kanallarının denk geldiği gözlemlenmiştir. SSD, seçili kanallar ve tüm kanallara uygulandıktan sonra oluşan veri kümelerine medyan, ortalama, standart sapma, basıklık, entropi ve çarpıklık işlemleri uygulanarak özellik vektörü elde edilmiştir. Özellik vektörü elde edilen veriler %25 test ve %75 eğitim verisi olacak şekilde Destek Vektör Makinaları (DVM), K En Yakın Komşu (KNN), Naive Bayes (NB) ve Karar Ağaçları (KA) sınıflandırma yöntemlerine uygulanıp sonuçlar karşılaştırılmıştır.
Migraine is a severe headache that occurs as a result of changes in the nerves and blood vessels in the brain. A method for diagnosing migraine by biomedical devices has not yet been developed, but when we study the literature we see that many studies on diagnosing migraine by using EEG signals have been done. The study used EEG data from 39 participants of 18 migraine patients and 21 control groups, and time-frequency information was obtained from the EEG records obtained through the Synchronous Conversion (SSD). When litrearture was studied, it was observed that migraine disease was effective in certain areas and channels of the brain and that the channels of these areas of the brain (F1, P7, P5, T7, C5, TP7, CP5, FP1, Fz, Cz, T8, C6) were equal. SSDs, selected channels and data sets formed after application to all channels; the character vector has been obtained by applying median, average, standard deviation, pressure, entropy and fragility processes. The data obtained by the character vector will be 25% test and 75% training data, and the results are applied to support vector machines (DVM), K nearest neighbor (KNN), Naive Bayes (NB) and Decision Tree (KA) classification methods.
Field : Mühendislik
Journal Type : Ulusal
Relevant Articles | Author | # |
---|
Article | Author | # |
---|