Nörolojik krizlerden epilepsi nöbetinin kestirimi
| dc.contributor.advisor | Sezgin, Necmettin | |
| dc.contributor.author | Dal, Süleyman | |
| dc.date.accessioned | 2020-09-08T12:29:48Z | |
| dc.date.available | 2020-09-08T12:29:48Z | |
| dc.date.issued | 2020-07-23 | en_US |
| dc.department | Batman Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Bölümü Anabilim Dalı | en_US |
| dc.description.abstract | Toplumda sara adıyla bilinen epilepsi hastalığı Dünya Sağlık Örgütü (WHO) tahminlerine göre dünya nüfusunda %0,4-1 insanı etkileyen ciddi ve yaygın nörolojik bir hastalıktır. Anlık ve tekrarlayıcı nöbetlerle karakterize olan epilepsi hastalığı çocukluk ve yetişkinlik çağında daha sık ortaya çıkmasıyla beraber hemen her yaş grubunda insanı etkilemektedir. Genelde bilinç kaybı, hareket bozukluğu gibi sadece nöbet ve nöbeti takip eden birkaç saatlik zaman dilimini etkileyen ancak ilaçlarla kontrol altına alınabilen geçici durumlar oluşturmaktadır. Epileptik nöbetlere benzer krizler geçiren epileptik olmayan (pseudo veya yalancı) nöbetlerin de olması teşhisi güçleştirmektedir. Epilepsi hastalarının nöbetlerinin epileptik olup olmadığı (bunun için sık ve güvenilir tanı yöntemi kriz anında video-EEG ölçümüdür) ve kullanılacak ilaçlarının dozu hasta geçmişine bağlı olarak belirlenmektedir. Epileptik nöbet geçirdiği şüphesi ile uzman hekime müracaat eden hastaların %10-20'sinin epilepsi hastası olmadığı belirlenmiştir. Hastanın epileptik ilaçlara verdiği tepki temel alınarak bunun tespitinin, tedavinin başladığından ortalama 7,2 yıl sonra belirlenebilmektedir. Bu tez çalışmasında çeşitli sensörler (EMG, EKG, İvmeölçer gibi) yardımıyla epileptik nöbetlerin kestirimi için gelişen teknolojiyle entegre bir yaklaşım önerilmiştir. Çalışmanın ana amacı epileptik nöbetlerin kestirimi için yapılan işlem maliyetini azaltacak bir test rutini oluşturmaktır. Dicle Üniversitesi Tıp Fakültesi Nöroloji Bölümünde tedavi gören hastalardan epileptik bir nöbet sürecinde alınan veri seti kullanılarak çeşitli yöntemler ile optimize edilmiş ve daha sonra elde edilen özelliklerle beraber Aşırı Öğrenme Makineleri (ELM) ile sınıflandırılmıştır. | en_US |
| dc.description.abstract | Epilepsy disease, known in the community as ‘sara’, is a serious and widespread neurological disease affecting 0.4-1% of the world population according to the World Health Organization (WHO) estimates. Epilepsy disease, characterized by instantaneous and repetitive seizures, affects people in almost every age group, although it occurs more frequently in childhood and adulthood. In general, loss of consciousness, movement disorder, such as only seizures and seizures that affect a period of several hours following the seizure, but can be controlled by drugs creates temporary conditions. It is also difficult to diagnose non-epileptic seizures (pseudo-or pseudo-seizures) that are similar to epileptic seizures. Whether the seizures of epileptic patients are epileptic (frequent and reliable diagnostic method is video-EEG measurement at the time of crisis) and the dose of the drugs to be used are determined based on the patient's history. It was determined that 10-20% of the patients who applied to the specialist physician with the suspicion of having epileptic seizure did not have. Based on the patient's response to epileptic drugs, its detection can be determined on average 7.2 years after the start of treatment. In this thesis, an integrated approach with the developing technology is proposed for the prediction of epileptic seizures with the help of various sensors (such as EMG, ECG, Accelerometer). The main purpose of the study is to create a test routine to reduce the cost of the procedure for the prediction of epileptic seizures. Using a data set taken from patients treated in the Dicle University, Faculty of Medicine, Department of Neurology, during an epileptic seizure process, it was optimized by various methods and classified by over-learning machines (ELM) with later characteristics. | en_US |
| dc.identifier.citation | Dal, S. (2020). Nörolojik krizlerden epilepsi nöbetinin kestirimi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Fen Bilimleri Enstitüsü, Batman. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/2459 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Batman Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.rights | Attribution-ShareAlike 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/us/ | * |
| dc.subject | Epileptik Nöbetler | en_US |
| dc.subject | Epileptik Olmayan Nöbetler | en_US |
| dc.subject | Nöbet Kestirimi | en_US |
| dc.subject | Makine Öğrenmesi | en_US |
| dc.subject | Giyilebilir Sensörler | en_US |
| dc.subject | Epileptic Seizures | en_US |
| dc.subject | Non-Epileptic Seizures | en_US |
| dc.subject | Seizure Prediction Extreme Machine Learning | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Wearable Sensors | en_US |
| dc.title | Nörolojik krizlerden epilepsi nöbetinin kestirimi | en_US |
| dc.title.alternative | Prediction of epilepsy seizures from neurological crises | en_US |
| dc.type | Master Thesis | en_US |
