EEG Tabanlı Epilepsi Tespitinde 1D-CNN ve BiLSTM Modellerinin Karşılaştırmalı Analizi

Creative Commons License

Karaman O. B., Gültepe Y.

Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online), cilt.9, sa.4, ss.2110-2127, 2026 (TRDizin)

Özet

Bu çalışma, elektroensefalografi (EEG) sinyalleri üzerinden epilepsiye özgü sinyal özelliklerinin otomatik olarak tespit edilmesi amacıyla geliştirilmiştir. Kullanılan veri seti, literatürde yaygın biçimde başvurulan Bonn EEG veri seti olup normal ve epileptik örnekler ikili sınıflama çerçevesinde yeniden düzenlenmiştir. Önişlemede bant geçiren ve çentik (notch) filtre uygulanmış, örnekleme frekansı düzenlenmiş, kayıtlardan pencereler oluşturulmuş ve her pencere z-skor yöntemiyle normalize edilmiştir. Bu çalışmada iki derin öğrenme yaklaşımı aynı deney düzeni altında eğitilip karşılaştırılmıştır: Yerel zaman serisi örüntülerini yakalayan 1B-Evrişimsel Sinir Ağı (1D-CNN) ve zamansal bağımlılıkları modelleyen çift yönlü Uzun Kısa Süreli Bellek (BiLSTM). Modellerin başarımı doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC gibi ölçütlerle hem pencere düzeyinde hem de pencerelerin ortalama olasılıklarıyla elde edilen segment düzeyinde değerlendirilmiştir. Sonuçların güvenilirliğini istatistiksel olarak doğrulamak amacıyla modeller 5-katlı çapraz doğrulama (5-Fold Cross-Validation) yöntemiyle test edilmiştir. Deneysel bulgular, 1D-CNN modelinin BiLSTM modeline kıyasla belirgin şekilde daha yüksek doğruluk oranı sağladığını ve varyans analizlerine göre çok daha kararlı (stabil) bir performans sergilediğini ortaya koymaktadır.
This study was developed to automatically detect epilepsy-specific signal features from electroencephalography (EEG) signals. The widely used Bonn EEG dataset was employed, reorganized for binary classification with normal and epileptic samples. In preprocessing, band-pass and notch filters were applied, the sampling rate was adjusted, windows were generated from the recordings, and each window was z-score normalized. In this study, two deep learning approaches were trained and compared under the same experimental setup: A 1D Convolutional Neural Network (1D-CNN) that captures local time-series patterns, and a Bidirectional Long Short-Term Memory (BiLSTM) that models temporal dependencies. Model performance was evaluated using metrics such as accuracy, precision, recall, F1-score, and ROC-AUC at both the window level and the segment level obtained via the mean probabilities of the windows. To statistically validate the reliability of the results, the models were tested using the 5-fold cross-validation method. Experimental findings indicate that the 1D-CNN model provides significantly higher accuracy rates compared to the BiLSTM model and exhibits a much more stable performance based on variance analyses.