Nöbet Tespitinde Derin Öğrenme Uygulamaları

Abstract

Bu tezde, Derin otomatik kodlayıcı ve güç spektral yoğunluğuna dayalı yeni bir yöntem önerilmiştir. ilk, giriş verileri, her bir veri satırı için sinyalin güç spektral yoğunluğunu ölçerek özellik çıkarımı için güç spektral yoğunluğu kullanılarak analiz edilir. Üretilen çıktı, boyutu azaltmak ve yüksek seviyeli özellikler elde etmek için ilk Otomatik kodlayıcıya girdi olur. İlk otomatik kodlayıcının çıkışı, özelliklerin sayısını azaltmak ve yüksek seviyeli özellikler elde etmek için ikinci otomatik kodlayıcıya girdi olur. Ayrıca, bu özellikler iki gruba ayrılır: SoftMax sınıflandırıcı kullanılarak normal ve anormal. Son olarak, iki otomatik kodlayıcı ve SoftMax, sınıflandırma doğruluğunu geliştirmek için geri yayılım algoritması kullanılarak yığılmış ve eğitilmiştir. Önerilen yöntem, bu dosyada sunulan ortak yöntemlerle karşılaştırıldığında tatmin edici sonuçlar verir. Burada, Otomatik kodlayıcıların sayısı verilerin yanı sıra boyutun davranışına da bağlıdır. Önerilen yöntem, epilepsi seri tespitinde yaygın olarak kullanılan veri setleri ile test edilmiş ve elde edilen sonuçlar, güçlü ve zayıf yönleri belirlemek amacıyla bu alandaki diğer ve en önemli çalışmalarla karşılaştırılmıştır.In this thesis, a new method is proposed based on deep auto encoder and power spectral density. First, the input data is analyzed using power spectral density for feature extraction by measuring the power spectral density of the signal for each row of data. The produced output becomes input to the first Auto encoder to reduce the dimension and extracted high level features. The output of first auto-encoder become input to the second auto-encoder also to reduce number of features and extracted high level features. In addition, these features are classified into two groups: normal and abnormal by using SoftMax classifier. Finally, the two auto-encoders and SoftMax stacked and trained by using backpropagation algorithm to improve the classification accuracy. The proposed method gives satisfactory results when compared with the common methods presented in this filed .Here, the number of Auto encoders depend on the behavior of the data as well as the dimension. The proposed method is tested with commonly used datasets in the epilepsy serius detection, and the results obtained are compared with other and most prominent works in this field in order to determine the strengths and weaknesses.