EEG Sinyallerinden Meta-Sezgisel Optimizasyon Algoritmalarına Dayalı Özellik Seçimi

Özellik seçimi makine öğrenmesi alanında, sınıflandırma işlemlerinin öncesinde bulunan önemli bir aşamadır. Ayırt edici özelliklerin iyi belirlendiği durumlarda, sınıflandırma başarı performası artar ve daha az özellik değerlendirildiği için hesaplama maliyeti azalır. Elektroensefalografi (EEG) yöntemi ile beynin spontan elektrik aktiviteleri ölçülmektedir. EEG sinyallerinin analiz edilmesiyle, duygu durumu, hastalık teşhisi, anomali tespiti yapılabilmektedir. Bu çalışmada, EEG sinyallerinden epilepsi teşhisi amacıyla, sınıflandırmada kullanılan özelliklerin seçilmesine çalışılmıştır. Kullanılan verisetinde, epileptik ve sağlıklı bireylerden oluşan 2 sınıf mevcuttur. Verisetinde, EEG sinyallerinin alt bileşenlerinden 667 özellik vardır. Sınıflandırma için bu 667 özelikten meta-segisel optimizasyon algoritmaları ile ayırt edici özellikler seçilmiştir. Sınıflandırma için k en yakın komşuluk algoritması kullanılmıştır. EEG sinyallerinin alt bileşenlerinin tamamı ile yapılan sınıflandırmada, %60,05 doğruluk başarısı elde edilmiştir. Gri Kurt Optimizasyonu, Balina Optimizasyonu ve Harris Şahinler Optimizasyonu metasezgisel algoritmaları ile özellik seçimi sonucunda, sınıflandırma başarısı %80,16 olarak elde edilmiştir. Bu sınıflandırma başarısı 5-10 özellik kullanılarak elde edilebilmektedir. Sonuç olarak meta-sezgisel optimizasyon algoritmaları ile daha az özellik seçilerek doğruluk oranı artmış ve hesaplama maliyeti azalmıştır.