dc.contributor.author | Başpınar, Ulvi | |
dc.contributor.author | Yol, Şeyma | |
dc.contributor.author | Aydın, Müberra | |
dc.contributor.author | Gülhan, Rezzan | |
dc.contributor.author | Us, Zeynep | |
dc.date.accessioned | 2024-08-23T12:06:41Z | |
dc.date.available | 2024-08-23T12:06:41Z | |
dc.date.issued | 2024 | en_US |
dc.identifier.citation | BAŞPINAR, Ulvi, Şeyma YOL, Müberra AYDIN, Rezzan GÜLHAN & Zeynep US. "EEG Verilerinden CEEMD Algoritması Kullanılarak Epileptik Nöbetlerin Tespiti". 32nd Signal Processing and Communications Applications Conference, (2024): 1-4. | en_US |
dc.identifier.uri | https://hdl.handle.net/11352/4973 | |
dc.description.abstract | Epilepsi, beynin ani elektriksel deşarjları ile karakterize edilen Dünya Sağlık Örgütü'ne göre inmeden sonra en yaygın ikinci nörolojik bozukluktur. Absans epilepsi ise sık görülen epilepsi türlerinden biridir ve büyük ölçüde elektroensefalogram (EEG) sinyallerinde jeneralize diken ve dalga deşarjların tespitine dayanır. Elektroensefalografi, beynin farklı fizyolojik durumlarına ilişkin bilgiler içeren, beyin faaliyetlerini değerlendirmek amacıyla kullanılan yaygın bir ölçüm tekniğidir. Bu çalışmada Complete Ensemble Empirical Mode Decomposition tekniği kullanılarak ayrıştırılan EEG sinyal segmentlerinden çeşitli istatistiksel özellikler çıkarılmış ve makine öğrenim teknikleri kullanılarak nöbet sınıflandırması yapılmıştır. Önerilen algoritmanın etkinliği performans metrikleri ile doğrulanmış ve geleneksel çalışmalara kıyasla umut verici bir başarı göstermiştir. | en_US |
dc.description.abstract | Epilepsy is the second most common neurological disorder characterized by sudden electrical discharges of the brain after stroke according to the World Health Organization. Absence epilepsy is one of the most common types of epilepsy and is majorly based on the detection of generalised spike and wave discharges in Electroencephalogram (EEG) signals. Electroencephalography is a common measurement technique used to assess brain activity, containing information about different physiological states of the brain. In this study, various statistical features are extracted from EEG signal segments decomposed using the Complete Ensemble Mode Decomposition technique and seizure classification is performed using machine learning techniques. The effectiveness of the proposed algorithm is validated with performance metrics and shows promising success compared to traditional studies. | en_US |
dc.language.iso | tur | en_US |
dc.publisher | IEEE | en_US |
dc.relation.isversionof | 10.1109/SIU61531 | en_US |
dc.rights | info:eu-repo/semantics/embargoedAccess | en_US |
dc.subject | Elektroensefalografi | en_US |
dc.subject | Absans Epilepsi | en_US |
dc.subject | Complete Ensemble Empirical Mode Decomposition | en_US |
dc.subject | Sınıflandırma | en_US |
dc.subject | Makine Öğrenim Teknikleri | en_US |
dc.subject | EEG | en_US |
dc.subject | Absance Epilepsy | en_US |
dc.subject | Classification | en_US |
dc.subject | Complete Ensemble Mode Decomposition | en_US |
dc.subject | Machine Learning Algorithms | en_US |
dc.title | EEG Verilerinden CEEMD Algoritması Kullanılarak Epileptik Nöbetlerin Tespiti | en_US |
dc.title.alternative | Detection of Epileptic Seizures from EEG Data Using CEEMD Algorithm | en_US |
dc.type | conferenceObject | en_US |
dc.relation.journal | 32nd Signal Processing and Communications Applications Conference | en_US |
dc.contributor.department | FSM Vakıf Üniversitesi, Mühendislik Fakültesi, Biyomedikal Mühendisliği Bölümü | en_US |
dc.contributor.authorID | https://orcid.org/0000-0002-3359-9713 | en_US |
dc.contributor.authorID | https://orcid.org/0000-0002-7123-2162 | en_US |
dc.contributor.authorID | https://orcid.org/0009-0008-6754-2900 | en_US |
dc.contributor.authorID | https://orcid.org/0000-0002-1519-3170 | en_US |
dc.identifier.startpage | 1 | en_US |
dc.identifier.endpage | 4 | en_US |
dc.relation.publicationcategory | Konferans Öğesi - Uluslararası - Kurum Öğretim Elemanı | en_US |
dc.contributor.institutionauthor | Aydın, Müberra | |