Akademik Veri Yönetim Sistemi
POLİTEKNİK DERGİSİ /JOURNAL of POLYTECHNIC, cilt.25, sa.1, ss.239-249, 2022 (ESCI)
Epileptik aktivitelerin saptanması Elektroensflogram (EEG) verilerinin ayrıntılı analizini gerektirir. El ile epileptik aktiviteleri
skorlaması hem zor hem de tutarsızdır. Makine öğrenme teknikleri ise el ile skorlamaya göre daha hızlı ve tutarlıdır. Bu nedenle,
EEG verilerini sınıflandırmak için etkili bir makine öğrenmesi tekniğine ihtiyaç vardır. Doğrusal olmayan verileri modelleme
başarısından dolayı gözetimli öğrenme algoritmalarından Destek Vektör Makineleri(SVM) tercih edilmiştir. Bu başarı ancak uygun
çekirdek fonksiyonu seçildiğinde gerçekleşmektedir. Sıklıkla kullanılan çekirdek fonksiyonları linear, polinom ve radyal
tabanlı(RBF)’dır. Verilerin doğası önceden bilinmediğinden çekirdek fonksiyonları arasından uygun seçim yapmak zordur. Bu
nedenle modeli oluştururken birden fazla çekirdek fonksiyonu kullanılarak aralarından en iyi performansı veren seçilmelidir. Bu
çalışmada Bonn üniversitesinden alınan EEG verileri ile 9 farklı sınıflandırma problemi ele alınmıştır. EEG sinyalleri farklı 5
frekans bandında incelenmiş, her frekans bandının standart sapma değerlerinden öznitelik vektörü oluşturulmuştur. Linear,
polinom, radyal tabanlı ve Pearson VII(PUK) çekirdek fonksiyonlarının genelleme yetenekleri karşılaştırılmıştır. PUK çekirdek
fonksiyonları parametre değerlerinin başarı oranları üzerindeki etkisi de ayrıca incelenmiştir. Çalışmada önerilen model ile
öznitelik hesap yükü azaltılmış, boyut azaltım algoritmaları kullanım ihtiyacı ortadan kaldırılmış, daha az işlem yükü
oluşturmuştur. PUK çekirdek fonksiyonunun diğer fonksiyonlara göre daha iyi genelleme performansına sahip olduğu sonucuna
varılmıştır. İki sınıflı problemlerde %100 başarı oranına ulaşılmıştır.