Eroğul, OsmanYılmaz, Nur Sena Özdemir2025-12-152025-12-152025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=Xau5rw3KuCgEuy-FuJQtsImESJysifnR-WQSd5rinE-Rs-4_-_Wrl-UW58BL6HTChttps://hdl.handle.net/20.500.11851/15239Epilepsi ani gelişen nöbetlerle ortaya çıkan ve dünyada en yaygın görülen nörolojik hastalıkların başında gelmektedir. Epilepsi nöbetlerinin kontrol altına alınabilmesi için klinik olarak tercih edilen 2 yöntem; cerrahi işlemler ve farmakolojik yöntemlerdir. Fakat bu iki yöntem de epilepsi tedavisi için altın standart olarak kabul edilmemiştir. Bunun sebebi ise her hastaya uygulanabilirliklerinin ve başarı oranlarının düşük olmasıdır. Bu sebeple epilepsi nöbet tahmini algoritmalarının geliştirilebilmesi ve nöbet gerçekleşmeden belirli bir süre önce nöbetlerin tahmin edilebilmesi ile erken uyarı mekanizmalarının oluşturulması yaygın bir çalışma konusudur. Bu çalışmada erken epilepsi nöbet tahmini için Siena Scalp EEG veri tabanı kullanılmıştır. Çalışmaların tamamı MATLAB ile tamamlanmıştır. Tez çalışması kapsamında EEG ve EKG biyosinyal tabanlı makine öğrenmesi ve derin öğrenme algoritmaları geliştirilmiştir. Biyosinyallerin öncelikli olarak ön işleme basamakları tamamlanmış ve 30'ar saniyelik pencerelerle epoklanmışlardır. Makine öğrenmesi algoritmalarında EEG bazlı olarak 19 adet öznitelik ve EKG bazlı olarak ise 20 adet öznitelik ilgili biyosinyallerin zaman ve frekans bölgelerinden elde edilmiştir. En başarılı 5'er makine öğrenmesi modeli incelenmiş ve erken epilepsi nöbet tahmini ortalama ve medyan süreleri dakika cinsinden rapor edilmiştir. Epileptik nöbetlerin EEG verisi ile elde edilen makine öğrenmesi modelleri ile en yüksek başarı, %90,3 doğruluk oranı ile Efficient Linear SVM modeli tarafından elde edilmiştir. Bu model aynı zamanda %87 duyarlılık, %92 özgüllük ile epileptik nöbet öncesi dönemleri yüksek isabet oranıyla tespit etmiştir. Nöbetten ortalama 18,5 dakika önce uyarı verebilmesiyle, erken müdahale açısından da oldukça başarılı bir performans göstermiştir. EKG öznitelikleri ile gerçekleştirilen sınıflandırma deneylerinde ise en yüksek performans Lineer SVM modeli ile elde edilmiştir (Doğruluk %85,2, Duyarlılık %81, Özgüllük %88). Ayrıca bu model, nöbetten ortalama 14,8 dakika önce epileptik dönemi tahmin edebilmiştir. Medyan uyarı süresi ise 13 dakika olarak hesaplanmıştır. Derin öğrenme kısmında ise evrişimsel sinir ağları tercih edilmiştir. Bu kapsamda literatürde yaygın kullanılan mimariler ile epileptik nöbet tahmini algoritmaları tamamlanmıştır. Sinyallere ait epok bazlı spektogram görüntüleri 2 boyutlu mimarilere entegre edilmiştir. Bu kapsamda kullanılan mimariler; Resnet-18, MobileNetV2 ve EfficientNet-b0 mimarileridir. Buna ek olarak 1 boyutlu direkt zaman sinyali kapsamında Resnet-1D, MobileNet-1D ve InceptionTime mimarileri kullanılmıştır. Sonuçlar incelendiğinde ise EEG sinyalleriyle eğitilen derin öğrenme modelleri EKG modellerinden daha yüksek başarılı sonuçlar verdiğine ulaşılmıştır. En yüksek doğruluk oranı, %95,4 ile ResNet-18 (2D) mimarisi tarafından EEG spektogramları ile elde edilmiştir. 1 boyutlu zaman serisi mimarileri arasında ise en yüksek doğruluk, %93,8 ile ResNet-1D ile tekrar EEG ile elde edilmiştir. Erken tahmin süreleri incelendiğinde, 2 boyutlu modellerin 10,5 – 9,0 dakika, 1 boyutlu modellerin ise 9,2–8,6 dakika arasında değişen medyan tahmin süresi sağladığı görülmektedir. Bu süreler, epileptik nöbetten önce müdahale şansı tanıyabilecek düzeyde yeterlidir. Derin öğrenme algoritmalarının erken epilepsi tahmin sürelerinin makine öğrenmesine göre daha kısa olmasının sebebinin daha temkinli ve doğru tahmin yapma amacıyla meydana geldiği öngörülmüştür.Epilepsy is one of the most common neurological disorders in the world, characterized by sudden-onset seizures. Clinically, the two most preferred treatment methods are surgical procedures and pharmacological therapies. However, neither of these approaches can be considered the gold standard due to their limited applicability and relatively low success rates across patients. Therefore, developing seizure prediction algorithms that can estimate seizures before they occur may enable the establishment of early warning systems. In this study, the Siena Scalp EEG Database was used for early epileptic seizure prediction. All analyses and model implementations were conducted in MATLAB. Within the scope of this thesis, machine learning and deep learning algorithms were developed based on EEG and ECG biosignals. Initially, the biosignals were preprocessed and segmented into 30-second epochs. For machine learning algorithms, 19 features were extracted from EEG and 20 from ECG signals, derived from both time and frequency domains. The five most successful models were evaluated, and average and median early prediction times were reported in minutes. Among EEG-based machine learning models, the highest performance was achieved by the Efficient Linear SVM with an accuracy of 90.3%, sensitivity of 87%, and specificity of 92%. This model also demonstrated strong early warning capability by predicting seizures approximately 18.5 minutes before onset. In ECG-based classification, the best performance was obtained using the Linear SVM model (Accuracy: 85.2%; Sensitivity: 81%; Specificity: 88%), which predicted the preictal state approximately 14.8 minutes in advance, with a median warning time of 13 minutes. In the deep learning part, convolutional neural networks (CNN) were employed. Seizure prediction algorithms were developed using architectures commonly used in the literature. Spectrogram images generated from signal epochs were utilized for 2D architectures, including ResNet-18, MobileNetV2, and EfficientNet-B0. Additionally, 1D models were developed using raw temporal signals with ResNet-1D, MobileNet-1D, and InceptionTime. Deep learning models trained with EEG data yielded higher performance compared to those trained with ECG data. The highest accuracy, 95.4%, was achieved using ResNet-18 (2D) with EEG spectrogram inputs. Among 1D temporal models, the highest accuracy was again achieved with EEG signals using ResNet-1D at 93.8%. In terms of early prediction, the median times ranged between 10.5–9.0 minutes for 2D models and 9.2–8.6 minutes for 1D models, which are considered sufficient for timely clinical intervention. It is inferred that the relatively shorter early prediction times in deep learning compared to machine learning are due to the models' tendency to provide more cautious and precise predictions.trBiyomühendislikBiyoteknolojiDerin ÖğrenmeEEGEKGEpilepsiMakine ÖğrenmesiYapay ZekaBioengineeringBiotechnologyDeep LearningEpilepsyMachine LearningArtificial IntelligenceMaster Thesis