EEG sinyallerinden derin öğrenme ile sentetik sinyal üretme

Abstract

Bu tez çalışmasında, Bonn Üniversitesi EEG veri seti kullanılarak derin öğrenme yöntemleriyle sentetik EEG sinyalleri üretilmiş, bu sinyallerin orijinal sinyallerle benzerliği kapsamlı bir şekilde değerlendirilmiştir. Çalışmada, derin öğrenme algoritmalarından Classic GAN kullanılarak, farklı klinik durumları temsil eden EEG sinyalleri analiz edilmiş ve sentetik sinyallerin genlik, frekans ve zaman serisi özellikleri açısından orijinal sinyallere olan benzerlikleri korelasyon matrisleri olan, RMSE, MAE, MSE ve Spectral benzerlik üzerinden test edilmiştir. Sentetik sinyallerin orijinal sinyallere yüksek benzerlik gösterdiğini görülmüştür. Özellikle C ve D gruplarında olan benzerlik oranlarının oldukça yüksek olduğu görülmüştür. EEG sinyallerinin uzun süreli olması nedeniyle verilere segmentasyon işlemi uygulanmış. Her bir sinyal 256 örnek uzunluğunda alt parçalara ayrılmıştır. Bu işlem, modelin eğitimi sırasında verimliliği artırarak, belirli frekans bantlarının daha iyi anlaşılmasını sağlamıştır. Eğitim sürecinde kullanılan hiperparametrelerden batch boyutu 64, öğrenme oranı 0,000001, epoch 5000 ve latent boyutu 256 olarak belirlenmiştir. Bu ayarlar, jeneratörün daha karmaşık sinyalleri öğrenmesine, diskriminatörün sahte verileri ayırt etme yeteneğinin artmasına olanak tanımıştır. Eğitim sürecinde jeneratör ve diskriminatör kayıpları izlenmiş, modelin sentetik verileri daha gerçekçi hale getirdiğini ve gerçeğe yakın verileri ayırt etme yeteneğini geliştirdiğini göstermiştir. Grafik analizleri, eğitim süreci ilerledikçe sentetik sinyallerin kalitesinin arttığını ve sistemin dengeli bir öğrenme süreci yaşadığını ortaya koymaktadır. Sonuçlar, bu çalışmada, GAN teknikleri ile sentetik EEG sinyalleri üretme sürecinde önemli başarılar elde edildiğini ve üretilen sinyallerin orijinal sinyallere yüksek benzerlik gösterdiği görülmüştür. Gelecekte, model performansını artırmak için farklı mimariler ve veri artırma teknikleri kullanılabilir. Yapay zeka destekli sistemlerin tıbbi uygulamalardaki potansiyelinin daha iyi anlaşılmasına katkı sağlayabilir.

In this thesis, synthetic EEG signals were generated using deep learning methods using the Bonn University EEG dataset, and the similarity of these signals with the original signals was evaluated comprehensively. In the study, EEG signals representing different clinical conditions were analyzed using Classic GAN, one of the deep learning algorithms, and the similarities of the synthetic signals to the original signals in terms of amplitude, frequency and time series properties were tested through correlation matrices, RMSE, MAE, MSE and Spectral similarity. It was observed that the synthetic signals showed high similarity to the original signals. It was observed that the similarity rates, especially in groups C and D, were quite high. Due to the long duration of the EEG signals, segmentation process was applied to the data. Each signal was divided into sub-parts of 256 samples. This process increased the efficiency during the training of the model and provided a better understanding of certain frequency bands. The hyperparameters used in the training process were determined as batch size 64, the learning rate 0,000001, epoch 5000 and latent size 256. These settings allowed the generator to learn more complex signals and increased the ability of the discriminator to distinguish fake data. The generator and discriminator losses were monitored during the training process, showing that the model made the synthetic data more realistic and improved its ability to distinguish near-realistic data. Graphical analyses reveal that the quality of the synthetic signals increased as the training process progressed and the system experienced a balanced learning process. The results show that in this study, significant success was achieved in the process of generating synthetic EEG signals with GAN techniques and the generated signals showed high similarity to the original signals. In the future, different architectures and data augmentation techniques can be used to improve model performance. It can contribute to a better understanding of the potential of artificial intelligence-supported systems in medical applications.