Comparing The Effect of Under-Sampling and Over-Sampling on Traditional Machine Learning Algorithms for Epileptic Seizure Detection

Authors : Kemal Akyol, Ümit Atila

Pages : 279-285

Doi:10.21541/apjes.569553

View : 31 | Download : 19

Publication Date : 2020-05-26

Article Type : Research

Abstract :Tekrarlayan ve ani krizlere neden olan nörolojik bir hastalık olan epilepsy hastalığı öngörülemeyen zamanlarda ortaya çıkar. Bu çalışma, epileptik nöbet tahmini için elektroensefalogram sinyallerinin sınıflandırılmasını sunmaktadır. Makine öğrenme algoritmalarının performansı, elektroensefalogram sinyallerinden elde edilen veriseti üzerinde değerlendirilmiştir. Veriseti, 23.5 saniye boyunca 4097 veri noktasına sahip 500 örnek içermektedir. Veriseti dengesiz olduğu için, bu veri setinde Rastgele Alt Örnekleme ve Rastgele Üst Örnekleme yöntemleri uygulanmıştır. Bu nedenle bu çalışma üç veri seti üzerinde yürütülmüştür. Her veri seti üç senaryo çerçevesinde % 60 eğitim - % 40 test, % 70 eğitim - % 30 test ve % 80 eğitim - % 20 test verileri olarak ayrılmıştır. Bu verisetleri üzerinde Çapraz Doğrusal Ayırt Edici Analiz, Doğrusal Ayırt Edici Analiz, Lojistik Regresyon ve Rastgele Orman makine öğrenmesi algoritmaların performansları değerlendirilmiş ve tartışılmıştır. Genel sonuçlar, tüm verisetleri için Random Forest algoritmasının doğruluk, hassasiyet ve özgüllük metrikleri açısından üstün olduğunu göstermiştir.
Keywords : Epileptik nöbet, makine öğrenmesi, dengesiz ve dengeli veri seti, üst örnekleme, alt örnekleme.