Türkiye Klinikleri Biyoistatistik Dergisi

.: ORİJİNAL ARAŞTIRMA
Classification of EEG Signals for Epileptic Seizures Using Linear and Non-linear Classifiers Based Wavelet Transforms and Information Criteria
Dalgacık Dönüşümleri ve Bilgi Kriterlerini Temel Alan Lineer ve Lineer Olmayan Sınıflandırıcılarla Epileptik Nöbetler İçin EEG Sinyallerinin Sınıflandırılması
Ezgi ÖZERa, Ozan KOCADAĞLIb
aDepartment of Electrical and Computer Engineering, Nova University of Lisbon, PORTUGAL
bDepartment of Statistics, Mimar Sinan Fine Arts University Faculty of Arts and Sciences, Istanbul, TURKEY
Turkiye Klinikleri J Biostat. 2019;11(2):102-22
doi: 10.5336/biostatic.2018-63886
Makale Dili: EN
Tam Metin
ABSTRACT
 Objective: This study presents an efficient procedure that provides an accurate classification of Electroencephalogram (EEG) signals for the detection of epileptic seizure. Essentially, the proposed procedure hybridizes the linear and nonlinear classifiers with the discrete wavelet transforms (DWT) and principal component analysis (PCA), separately. Material and Methods: To classify EEG signals more accurately, the proposed multi-resolution signal processing technique splits them into the detailed partitions with different window-widths, and then decomposes them into detail and approximation coefficients by means of DWT. Thus, many specific latent features that characterize the nonlinear and dynamical structures in the signals can be evaluated from these coefficients. During the model estimation process with multivariate logistic regression (MLR) and artificial neural networks (ANNs), to control the complexity of model and reduce the dimension of feature matrix, PCA is used. In addition, to quantify the complexity and select the best models, the information criteria are considered for both MLR and ANNs. To improve the classification performance, ANNs are trained by various gradient algorithms as well as considering early stopping and cross-validation techniques. Results: According to analysis results over the benchmark epilepsy data set released by the Department of Epileptology at University of Bonn, the proposed approach is to bring out 99% accuracy ratios for classifying the epileptic signals. Conclusion: This approach not only allows making an efficient analysis of EEG signals for detection of epilepsy, but also provides the best model configurations for ANNs and MLR in terms of reliability and complexity.

Keywords: EEG signal processing; epileptic seizures; discrete wavelet transform; artificial neural networks; multinomial logistic regression; principal component analysis
ÖZET
 Amaç: Bu çalışma, epileptik nöbetlerin tesbiti için Elektroensefalogram (EEG) sinyallerini doğru sınıflandıran etkin bir yöntem önermektedir. Esas olarak, bu yöntem lineer ve lineer olmayan sınıflandırıcıları, ayrık dalgacık dönüşümleri (ADD) ve temel bileşenler analizi (TBA) ile hibritleştirmektedir. Gereç ve Yöntemler: Önerilen çoklu-çözünürlüklü sinyal işleme tekniği, EEG sinyallerinin daha doğru sınıflandırılmak için onları farklı bant genişlikli parçalara bölmekte ve bu parçaları ADD yardımıyla ayrıntı (detail) ve yaklaşım (approximate) katsayılarına ayrıştırmaktadır. Böylece, sinyallerin barındırdığı dinamik ve lineer olmayan yapıları karaterize eden birçok gizli özellik, bu katsayılar üzerinden belirlenmektedir. Çokterimli Logistik Regregresyon (ÇLR) ve Yapay Sinir Ağlarıyla (YSA) model kestirim sürecinde, karmaşıklığı kontrol etmek ve veri matrisini indirgemek için TBA kullanılmıştır. Bunun yanısıra, model karmaşıklığının nicelendirilmesi ve en iyi modellerin belirlenmesi için bilgi kriterlerinden yararlanılmıştır. Doğru sınıflandırma performasını arttırmak için YSA'lar erken durdurma ve çapraz geçerlilik teknikleriyle beraber çeşitli gradyan-tabanlı öğrenme algoritmalarıyla eğitilmiştir. Bulgular: Bonn Üniversitesi Epileptoloji bölümünce herkesin kullanımına açılmış epilepsi veri seti üzerinden elde edilen analiz sonuçlarına göre, önerilen yaklaşım epileptik sinyallerin ayrıştırılmasında %99'lara varan doğruluk oranları vermektedir. Sonuç: Bu yaklaşım epilepsinin teşhisi için EEG sinyallerinin etkin bir analizini yapmakla kalmayıp, model güvenilirliği ve karmaşıklığı bakımından da ÇLR ve YSA'lar için en iyi model konfigürasyonlarını sağlamaktadır.

Anahtar Kelimeler: EEG sinyal işleme; epileptik sinyal; ayrık dalgacık dönüşümü; yapay sinir ağları; çokterimli lojistik regresyon; temel bileşenler analizi
REFERANSLAR:
  1. Sharanreddy M, Kulkarni PK. EEG signal classification for epilepsy seizure detection using improved approximate entropy. International Journal of Public Health Science (IJPHS). 2013;2(1):23-32. [Crossref]
  2. Zupec-Kania BA, Spellman, E. An overview of the ketogenic diet for pediatric epilepsy. Nutr Clin Pract. 2009;23(6):589-96. PMID: 19033218 [Crossref] [PubMed]
  3. Shoeb A, Guttag J. Application of Machine Learning to Epileptic Seizure Detection. Proceedings of the 27th International Conference on Machine Learning. Haifa, Israel. June 21-24, 2010:975-82.
  4. Sanei S, Chambers JA. EEG Signal Processing. Chichester, England; Hoboken, NJ: John Wiley & Sons; 2007. p.1-31. [Crossref] [PMC]
  5. Taywade SA, Raut RD. A review: EEG signal analysis with different methodologies. Proceedings of the International Journal of Computer Applications. India. 2012:29-31.
  6. Agarwal R, Gotman J, Flanagan D, Rosenblatt B. Automatic EEG analysis during long-term monitoring in the ICU. Electroencephalogr Clin Neurophysiol. 1998;107(1):44-58. PMID: 9743272 [Crossref]
  7. Andrzejak RG, Lehnertz K, Mormann F, Rieke C, David P, Elger CE. Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: dependence on recording region and brain state. Phys Rev E Stat Nonlin Soft Matter Phys. 2001;64(6 Pt 1):061907. PMID: 11736210 [Crossref] [PubMed]
  8. Mainardi LT, Bianchi LM, Cerutti S. Biosignal Processing: Principles and Practices. In: Liang H, Bronzino JD, Peterson DR, Raton B. NY: CRC Press; 2013. p.7-6.
  9. Rosso OA, Figliola A, Creso J, Serrano E. Analysis of wavelet-filtered tonic-clonic electroencephalogram recordings. Med Biol Eng Comput. 2004;42(4):516-23. PMID: 15320461 [Crossref]
  10. Güler I, Ubeyli ED. Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients. J Neurosci Methods. 2005;148(2):113-21. PMID: 16054702 [Crossref] [PubMed]
  11. Yalcın N, Tezel G, Karakuzu C. Epilepsy diagnosis using artificial neural network learned by PSO. Turk J Elec Eng & Comp Sci. 2015;23:421-32. [Crossref]
  12. Sharma M, Pachori RB, Acharya UR. A new approach to characterize epileptic seizures using analytic time-frequency flexible wavelet transform and fractal dimension. Pattern Recognition Letters. 2017;9(C):172-9. [Crossref]
  13. Bhattacharyya A, Pachori RB, Upadhyay A, Acharya UR. Tunable-Q wavelet transform based multi-scale entropy measure for automated classification of epileptic EEG signals. Appl Sci. 2017;7(4):1-18. [Crossref]
  14. Bhati D, Sharma M, Pachori RB, Gadre VM. Time-frequency localized three-band biorthogonal wavelet filter bank using semi-definite relaxation and nonlinear least squares with epileptic seizure EEG signal classification. Digital Signal Processing. 2017;62(C):259-73. [Crossref]
  15. Kumar Y, Dewal ML, Anand RS. Epileptic seizures detection in EEG using DWT-based apen and artificial neural network. Signal, Image and Video Processing (SVIP). 2014;8(7):1323-34. [Crossref]
  16. Acharya UR, Sree SV, Suri JS. Automatic detection of epileptic EEG signals using higher order cumulant features. Int J Neural Syst. 2011;21(5):403-14. [Crossref] [PubMed]
  17. Acharya UR, Sree SV, Chattopadhyay S, Yu W, Ang PC. Application of recurrence quantification analysis for the automated ıdentification of epileptic EEG signals. Int J Neural Syst. 2011;21(3):199-211. PMID: 21656923 [Crossref] [PubMed]
  18. Acharya UR, Oh SL, Hagiwara Y, Tan JH, Adam M, Gertych A, et al. A deep convolutional neural network model to classify heartbeats. Comput Biol Med. 2017;89:389-96. PMID: 28869899 [Crossref] [PubMed]
  19. Akin M, Arserim MA, Kiymik MK, Turkoglu I. A new approach for diagnosing epilepsy by using wavelet transform and neural network. Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. İstanbul, Turkey, October 25-28, 2001:2:1596-9.
  20. Nigam VP, Graupe D. A neural-network-based detection of epilepsy. Neurol Res. 2004;26(1):55-60. PMID: 14977058 [Crossref] [PubMed]
  21. Güler I, Ubeyli ED. Application of adaptive neuro-fuzzy inference system for detection of electrocardiographic changes in patients with partial epilepsy using feature extraction. Exp Syst Appl. 2004;27(3):323-30. [Crossref]
  22. Patnaik LM, Manyam OK. Epileptic EEG detection using neural networks and post-classification. Comput Methods Programs Biomed. 2008;91(2):100-9. PMID: 18406490 [Crossref] [PubMed]
  23. Guo L, Rivero D, Dorado J, Rabuñal JR, Pazos A. Automatic epileptic seizure detection in eegs based on line length feature and artificial neural networks. J Neurosci Methods. 2010;191(1):101-9. PMID: 2059503 [Crossref] [PubMed]
  24. Martis RJ, Acharya UR, Tan JH, Petznick A, Tong L, Chua CK, et al. Application of ıntrinsic time-scale decomposition (ITD) to EEG signals for automated seizure prediction. Int J Neural Syst. 2013;23(5):1350023. PMID: 23924414 [Crossref] [PubMed]
  25. Dehuri S, Jagadev AK, Cho SB. Epileptic seizure identification from electroencephalography signal using de-RBFNS ensemble. Procedia Computer Science. 2013;23:84-95. [Crossref]
  26. Rivero D, Aguiar-Pulido V, Fernandez-Blanco E, Gestal M. Using genetic algorithms for automatic recurrent ANN development: an application to EEG signal classification. International Journal of Data Mining, Modeling and Management (IJDMMM). 2013;5(2):182-91. [Crossref]
  27. Amorim P, Moraes T, Fazanaroa D, Silvaa J, Pedrini H. Electroencephalogram signal classification based on shearlet and contourlet transforms. Exp Syst Appl. 2017;67(C):140-7. [Crossref]
  28. Ocak H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Exp Syst Appl. 2009;36(2):2027-36. [Crossref]
  29. Wang D, Miao D, Xie C. Best basis-based wavelet packet entropy feature extraction and hierarchical EEG classification for epileptic detection. Exp Syst Appl. 2011;38(11):14314-20. [Crossref]
  30. Acharya UR, Sree SV, Swapna G, Martis RJ, Suri JS. Automated EEG analysis of epilepsy: a review. Knowledge-Based Systems. 2013;45:147-65. [Crossref]
  31. Kumari RSS, Jose JP. Seizure detection in EEG using time frequency analysis and SVM. Proceedings of the International Conference on Emerging Trends in Electrical and Computer Technology. Nagercoil, India, March 23-24,2011:626-30.
  32. Nicolaou N, Georgiou J. Detection of epileptic electroencephalogram based on permutation entropy and support vector machines. Exp Syst Appl. 2012;39(1):202-9. [Crossref]
  33. Bajaj JS, Ridlon JM, Hylemon PB, Thacker LR, Heuman DM, Smith S, et al. Linkage of gut microbiome with cognition in hepatic enceplopathy. Am J Physiol Gastrointest Liver Physiol. 2012;302(1):G168-75. PMID: 21940902 [Crossref] [PubMed] [PMC]
  34. Joshi V, Pachori RB. Classification of seizure and nonseizure EEG signals using empirical mode decomposition. IEEE Transactions on Information Technology in Biomedicine. 2012;16(5):1135-42. [Crossref] [PubMed]
  35. Joshi V, Pachori RB, Vijesh A. Classification of ictal and seizure-free EEG signals using fractional linear prediction. Biomed Signal Process Control. 2014;9:1-5. [Crossref]
  36. Pachori RB, Patidar S. Epileptic seizure classification in EEG signals using second-order difference plot of intrinsic mode functions. Computer Methods Programs Biomed. 2014;113(2):494-502. PMID: 24377902 [Crossref] [PubMed]
  37. Fu J, Hou J, Chen L, Wang M, Shen Y, Zhang Z, Bao X. The yeast BDF1 regulates endocytosis via LSP1 under salt stress. Current Microbiology. 2015;70(5):671-8. [Crossref] [PubMed]
  38. Sharma R, Pachori RB. Classification of epileptic seizures in EEG signals based on phase space representation of ıntrinsic mode functions. Exp Syst Appl. 2015;42(3):1106-17. [Crossref]
  39. Pachori RB. Discrimination between ictal and seizure-free EEG signals using empirical mode decomposition. Research Letters in Signal Processing. 2008:1-5. [Crossref]
  40. Tiwari AK, Pachori RB, Kanhangad V, Panigrahi BK. Automated diagnosis of epilepsy using key-point based local binary pattern of EEG signals. IEEE J Biomed Health Inform. 2017;21(4):888-96. PMID: 27416609 [Crossref] [PubMed]
  41. Sterman MB, MacDonald LR, Stone RK. Biofeedback training of sensorimotor EEG rhythm in man: effect on epilepsy. Epilepsia. 1974;15(3):395-416. PMID: 4527675 [Crossref] [PubMed]
  42. Pfurtscheller G, Flotzinger D, Neuper C. Differentiation between finger, toe and tongue movement in man based on 40 hz EEG. Electroencephalogr Clin Neurophysiol. 1994;90(6):456-60. PMID: 7515789 [Crossref]
  43. Ashwal S, Rust R. Child neurology in the 20th century. Pediatr Res. 2003;53(2):345-61. PMID: 12538797 [Crossref] [PubMed]
  44. Gao RX, Yan R. Wavelets: Theory and Applications for Manufacturing. New York; London: Springer; 2011. p.49-68. [Crossref]
  45. Meyer-Baese A, Schmid V. Pattern Recognition and Signal Analysis in Medical Imaging. 2nd ed. Oxford; 2014. p.71-111. [Crossref]
  46. Faust O, Acharya UR, Adeli H, Adeli A. Wavelet-based EEG processing for computer-aided seizure detection and epilepsy diagnosis. Seizure. 2015;26:56-64. PMID: 25799903 [Crossref] [PubMed]
  47. Chen D, Wan S, Xiang J, Bao FS. A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PLoS One. 2017;12(3):e0173138. PMID: 28278203 [Crossref] [PubMed] [PMC]
  48. Golden RM. Mathematical Methods for Neural Network Analysis and Design. England: The MIT Press; 1996. p. 419.
  49. Bishop C. Neural Networks for Pattern Recognition. UK: Oxford University Press; 2010. p.1-27.
  50. Kocadagli O, Asıkgil B. Nonlinear time series forecasting with Bayesian neural networks. Exp Syst Appl. 2014;41:6596-610. [Crossref]
  51. Akbilgic O, Bozdagan H. A new supervised classification of credit approval data via the hybridized RBF neural network model using information complexity. In: Lausen B, Krolak-Schwerdt S, Böhmer M, eds. Data Science, Learning by Latent Structures, and Knowledge Discovery. Berlin Heidelberg: Springer; 2015. p.13-27. [Crossref]
  52. Kocadagli O. A Novel Hybrid Learning Algorithm for Full Bayesian Approach of Artificial Neural Networks. Applied Soft Computing. Elsevier; 2015;35:1-958. [Crossref]
  53. Freitas JFG. Bayesian methods for neural networks. PhD. Thesis, UK:Trinity College University of Cambridge and Cambrige University Engineering Department; 2000.
  54. Geman S, Bienenstock E, Doursat R. Neural networks and the bias/variance dilemma. Mass Inst Technol. 1992;4(1):1-58. [Crossref]
  55. Bozdogan H. Akaike's ınformation criterion and recent developments in ınformation complexity. J Math Psychol. 2000;44(1):62-91. PMID: 10733858 [Crossref] [PubMed]
  56. Møller MF. A. scaled conjugate gradient algorithm for fast supervised learning. Neural Networks. 1993;6(4):525-33. [Crossref]
  57. Soydaner D, Kocadagli O. Artificial neural networks with gradient learning algorithm for credit scoring. Istanbul University Journal of the School of Business Administration. 2015;44(2):3-12.
  58. Sharma S. Applied Multivariate Techniques. America: John Wiley & Sons, Inc; 1996. p.288.
  59. Moon TK, Stirling WC. Mathematical Methods and Algorithms for Signal Processing. New Jersey: Prentice Hall; 2000. p.305-20.
  60. Armañanzas R, Alonso-Nanclares L, Defelipe-Oroquieta J, Kastanauskaite G, de Sola RG, Defelipe J, et al. Machine learning approach for the outcome prediction of temporal lobe epilepsy surgery. PloS One. 2013;8(4): e62819. PMID: 23646148 [Crossref] [PubMed] [PMC]
  61. Jennum P, Pickering L, Christensen J, Ibsen R, Kjellberg L. Morbidity and mortality of childhood and adolescent onset epilepsy: a controlled national study. Epilepsy & Behavior. 2017;66:80-5. [Crossref] [PubMed]
  62. Jeong A, Wong M. Systemic disease manifestations associated with epilepsy in tuberus sclerosis complex. Epilepsia. 2016;57(9):1443-9. PMID: 27417921 [Crossref] [PubMed]
  63. Procházka A, Jech J, Smith, J. Wavelet transform use in signal processing. Proceedings of the 31st International Conference in Acoustic. Prague, Czech Republic. 1994. p.209-13.
  64. Daubechies I. Ten Lectures on Wavelets. 2nd ed. Philadelphia: SIAM; 1992. p.109-20. [Crossref] [PubMed]
  65. Vernekar K, Kumar H, Gangadharan KV. Computational and experimental approach for fault detection of gears. Journal of Vibration Analysis, Measurement and Control. 2014;2(1):16-29.
  66. Kocadagli O, Langari R. Classification of EEG signals for epileptic seizures using hybrid artificial neural networks based wavelet transforms and fuzzy relations. Exp Syst Appl. 2017;88 (C):419-34. [Crossref]
  67. Mallat S. A Wavelet Tour of Signal Processing. 2nd ed. San Diego: Academic Press; 1999. p.103-12. [Crossref]
  68. Mallat S. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 1989;11(7):674-93. [Crossref]
  69. Kociolek M, Materka A, Strzelecki, M, Szczypiński P. Discrete Wavelet Transform Derived Features for Digital Image Texture Analysis. Proceedings of the International Conference on Signals and Electronic Systems. Lodz, 18-21 September, 2001:163-8.
  70. Akansu AN, Serdijn WA, Selesnick IW. Emerging applications of wavelets: a review. Physical Communication. 2010;3(1):11-8. [Crossref]
  71. Daubechies I. The wavelet transform, time-frequency localization and signal analysis. IEEE Transactions on Information Theory. 1990;36(5):961-1005. [Crossref]
  72. Walker JS. A Primer on Wavelets and Their Scientific Applications. Florida: Chapman & Hall/CRC; 1999. [Crossref]
  73. Misiti M, Misiti Y, Oppenheim G, Poggi JM. Wavelet Toolbox 4 User?s Guide, 2009. .
  74. Hotelling H. Analysis of A Complex of Statistical Variables into Principal Components. Journal of Educational Psychology. 1993:24. [Crossref]
  75. Jolliffe IT. Principal Component Analysis. 2nd ed. New York; Springer; 2002. p.112-8.
  76. Hastie T, Tibshirani R, Wainwright M. Statistical Learning with Sparsity The Lasso and Generalizations. New York: CRC Press; 2016. p.202-12. [Crossref]
  77. Mehrjoo S, Bashiri M. An application of principal component analysis and logistic regression to facilitate production scheduling decision support system: an automotive ındustry case. Journal of Industrial Engineering International. 2013;9:1-12. [Crossref]
  78. Zaki MJ, Meira W Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms. New York: Cambridge University Press; 2014. p.208-21. [Crossref]
  79. Hladnik A. Image compression and face recognition: two ımage processing applications of principal component analysis. International Circular of Graphic Education and Research. 2013;6:56-61.
  80. Hosmer DW, Lemeshow S. Applied Logistic Regression. 2nd ed.New York: John Wiley & Sons Inc; 2000. p.7-11. [Crossref] [PubMed]
  81. James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning with Applications in R. New York: Springer; 2013. p.93-8. [Crossref]
  82. Kannathal N, Choo ML, Acharya UR, Sadasivan PK. Entropies for detection of epilepsy in EEG. Comput Methods Programs Biomed. 2005;80(3):187-94. PMID: 16219385 [Crossref] [PubMed]
  83. Srinivasan V, Eswaran C, Sriraam N. Artificial neural network based epileptic detection using time-domain and frequency-domain features. J Med Syst. 2005;29(6):647-60. PMID: 16235818 [Crossref] [PubMed]
  84. Ataee P, Avanaki AN, Shariatpanahi HF, Khoee SM. ?Ranking Features of Wavelet-Decomposed EEG Based on Significance in Epileptic Seizure Prediction,? Proceedings of the 14th European Signal Processing Conference. Florence, Italy, September 4-8, 2006. p.1-4.
  85. Subasi A. EEG signal classification using wavelet feature extraction and a mixture of expert model. Exp Syst Appl. 2007;32(4):1084-93. [Crossref]
  86. Tzallas AT, Tsipouras MG, Fotiadis DI. Automatic Seizure Detection based on Time-Frequency Analysis and Artificial Neural Networks. Comput Intell Neurosci. 2007:80510. PMID: 18301712 [Crossref] [PubMed] [PMC]
  87. Polat K, Gunes S. Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform. Applied Mathematics and Computation (JAMC). 2007;187(2):1017-26. [Crossref]
  88. Acharya UR, Chua KC, Lim TC, Dorithy, Suri JS. Automatic identification of epileptic EEG signals using nonlinear parameters. J Mech Med Biol. 2009;9(4):539-53. [Crossref]
  89. Tzallas AT, Tsipouras MG, Fotiadis DI. Epileptic seizure detection in EEGs using time-frequency analysis. IEEE Trans Inf Technol Biomed. 2009;13(5):703-10. PMID: 19304486 [Crossref] [PubMed]
  90. Liang SF, Wang HC, Chang WL, Combination of EEG complexity and spectral analysis for epilepsy diagnosis and seizure detection. EURASIP J Adv Signal Process. 2010;2010:853434. [Crossref]
  91. Chua KC, Chandran V, Acharya UR, Lim CM. Application of higher order spectra to identify epileptic EEG. J Med Syst. 2011;35(6):1563-71. PMID: 20703761 [Crossref] [PubMed]
  92. Orhan U, Hekim M, Ozer M. EEG Signals classification using the K-means clustering and a multilayer perceptron neural network model. Exp Syst Appl. 2011;38:13475-81. [Crossref]
  93. Iscan Z, Dokur Z, Demiralp T. Classification of electroencephalogram signals with combined time and frequency features. Exp Syst Appl. 2011;38(8):10499-505. [Crossref]
  94. Yuan Q, Zhou W, Li S, Cai D. Epileptic EEG classification based on extreme learning machine and nonlinear features. Epilepsy Res. 2011;96(1-2):29-38. PMID: 21616643 [Crossref] [PubMed]
  95. Mahajan K, Vargantwar MR, Rajput SM. Classification of EEG using PCA, ICA and neural network. International Journal of Engineering and Advanced Technology (IJEAT). 2011;1(1):80-3.
  96. Gandhi T, Panigrahi BK, Bhatia M, Anand S. Discrete harmony search based expert model for epileptic seizure detection in electroencephalography. Exp Syst Appl. 2012;39(4):4055-62. [Crossref]
  97. Alam SM, Bhuiyan MI. Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE J Biomed Health Inform. 2013;17(2):312-8. PMID: 24235109 [Crossref] [PubMed]
  98. Zainuddin Z, Huong LK, Pauline O. Reliable epileptic seizure detection using an ımproved wavelet neural network. Australas Med J. 2013;6(5):308-14. PMID: 23745153 [Crossref] [PubMed] [PMC]
  99. Xie S, Krishnan S. Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis. Med Biol Eng Comput. 2013;51(1-2):49-60. PMID: 23054383 [Crossref] [PubMed]
  100. Ahammad N, Fathima T, Jospeh P. Detection of epileptic seizure event and onset using EEG. Biomed Res Int. 2014; 2014:450573. PMID: 24616892 [Crossref] [PubMed] [PMC]
  101. Das AB, Bhuiyan MIH, Alam SS. A Statistical Method for Automatic Detection of Seizure and Epilepsy in The Dual Tree Complex Wavelet Transform Domain. Proceedings of the IEEE In International Conference on Informatics, Electronics and Vision. Dhaka, Bangladesh, May 23-24, 2014:1-6. [Crossref]
  102. Chen G. Automatic EEG seizure detection using dual-tree complex wavelet-fourier features. Exp Syst Appl. 2014;41(5):2391-4. [Crossref]
  103. Acharya UR, Molinari F, Sree SV, Chattopadhyay S, Ng KH, Suri JS. Automated diagnosis of epileptic EEG using entropies. Biomed Signal Process Control. 2012;7(4):401-8. [Crossref]
  104. Xie S, Krishnan S. Dynamic principal component analysis with non-overlapping moving window and its applications to epileptic EEG classification. Sci World J. 2014;2014:419308. [Crossref] [PubMed] [PMC]
  105. Das AB, Bhuiyan MIH, Alam SS. Classification of EEG signals using normal ınverse gaussian parameters in the dual-tree complex wavelet transform domain for seizure detection. Signal, Image and Video Processing (SVIP). 2016;10(2):259-66. [Crossref]
  106. Li M, Chen W, Zhang T. Classification of epilepsy EEG signals using DWT-based envelope analysis and neural network ensemble. Biomed Signal Process Control. 2017;31:357-65. [Crossref]
  107. Fu K, Qu J, Chai Y, Zou T. Hilbert marginal spectrum analysis for automatic seizure detection in EEG signals. Biomed Signal Process Control. 2015;18:179-85. [Crossref]

.: Güncel

Giriş

 Parolanızı mı unuttunuz?

 Yeni Kullanıcı  

İletişim

Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.

.: Adres

Türkocağı Caddesi No:30 06520 Balgat / ANKARA
Telefon: +90 312 286 56 56
Faks: +90 312 220 04 70
E-posta: info@turkiyeklinikleri.com

.: Yazı İşleri Servisi

Telefon: +90 312 286 56 56/ 2
E-posta: yaziisleri@turkiyeklinikleri.com

.: İngilizce Dil Redaksiyonu

Telefon: +90 312 286 56 56/ 145
E-posta: tkyayindestek@turkiyeklinikleri.com

.: Reklam Servisi

Telefon: +90 312 286 56 56/ 142
E-posta: reklam@turkiyeklinikleri.com

.: Abone ve Halkla İlişkiler Servisi

Telefon: +90 312 286 56 56/ 118
E-posta: abone@turkiyeklinikleri.com

.: Müşteri Hizmetleri

Telefon: +90 312 286 56 56/ 118
E-posta: satisdestek@turkiyeklinikleri.com

1. KULLANIM KOŞULLARI

1.1. http://www.turkiyeklinikleri.com alan adından veya bu alan adına bağlı alt alan adlarından ulaşılan internet sayfalarını (Hepsi birden kısaca "SİTE" olarak anılacaktır) kullanmak için lütfen aşağıda yazılı koşulları okuyunuz. Bu koşulları kabul etmediğiniz takdirde "SİTE"yi kullanmaktan vazgeçiniz. "SİTE" sahibi bu "SİTE"de yer alan veya alacak olan bilgileri, formları, içeriği, "SİTE"'yi, "SİTE" kullanma koşullarını dilediği zaman değiştirme hakkını saklı tutmaktadır.

1.2. Bu "SİTE"'nin sahibi Türkocağı cad. No:30, 06520 Balgat Ankara adresinde ikamet eden Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.'dir (bundan böyle kısaca "Türkiye Klinikleri" olarak anılacaktır). "SİTE"'de sunulan hizmetler "Türkiye Klinikleri" tarafından sağlanmaktadır.

1.3. Bu "SİTE"'de sunulan hizmetlerden belirli bir bedel ödeyerek ya da bedelsiz olarak yararlananlar veya herhangi bir şekilde "SİTE"ye erişim sağlayan her gerçek ve tüzel kişi aşağıdaki kullanım koşullarını kabul etmiş sayılmaktadır. İşbu sözleşme içinde belirtilen koşulları "Türkiye Klinikleri" dilediği zaman değiştirebilir. Bu değişiklikler periyodik olarak "SİTE"'da yayınlanacak ve yayınlandığı tarihte geçerli olacaktır. "Türkiye Klinikleri" tarafından işbu sözleşme hükümlerinde yapılan her değişikliği "SİTE" hizmetlerinden yararlanan ve "SİTE"ye erişim sağlayan her gerçek ve tüzel kişi önceden kabul etmiş sayılmaktadır.

1.4. İşbu "SİTE Kullanım Koşulları" 30.03.2014 tarihinde en son değişiklik yapılarak ve web sitesi üzerinden yayınlanarak; "SİTE"yi kullanan her kişi tarafından erişimi mümkün kılınıp yürürlülüğe konmuştur. İşbu "SİTE Kullanım Koşulları" ayrıca, "Türkiye Klinikleri" hizmetlerinden belli bir bedel ödeyerek veya ödemeden yararlanacak olan kullanıcılarla yapılmış ve/veya yapılacak olan her türlü "KULLANICI Sözleşmesi"nin de ayrılmaz bir parçasıdır.

2. TANIMLAR

2.1. "SİTE" : "Türkiye Klinikleri" tarafından belirlenen çerçeve içerisinde çeşitli hizmetlerin ve içeriklerin sunulduğu çevrimiçi (on-line) ortamdan http://www.turkiyeklinikleri.com alan adından ve/veya bu alan adına bağlı alt alan adlarından erişimi mümkün olan web sitesi.

2.2. KULLANICI : "SİTE"ye çevrimiçi (on-line) ortamdan erişen her gerçek ve tüzel kişi.

2.3. LİNK : "SİTE" üzerinden bir başka web sitesine, dosyalara, içeriğe veya başka bir web sitesinden "SİTE"ye, dosyalara ve içeriğe erişimi mümkün kılan bağlantı.

2.4. İÇERİK : "Türkiye Klinikleri" "SİTE"yi ve/veya herhangi bir web sitesinden yayınlanan veya erişimi mümkün olan her türlü bilgi, dosya, resim, rakam, fiyat v.b görsel, yazınsal ve işitsel imgeler.

2.5. "KULLANICI SÖZLEŞMESİ" : "Türkiye Klinikleri"nin sunacağı özel nitelikteki hizmetlerden yararlanacak olan gerçek ve/veya tüzel kişilerle "Türkiye Klinikleri" arasında elektronik ortamda akdedilen sözleşme.

3. HİZMETLERİN KAPSAMI

3.1. "Türkiye Klinikleri", "SİTE" üzerinden sunacağı hizmetlerin kapsamını ve niteliğini belirlemekte tamamen serbesttir.

3.2. "Türkiye Klinikleri" "SİTE" bünyesinde sunulacak servislerden yararlanabilmek için, "KULLANICI"nın "Türkiye Klinikleri" tarafından belirlenecek özellikleri taşıması gereklidir. "Türkiye Klinikleri", bu gerekliliği tek taraflı olarak dilediği zaman değiştirebilir.

3.3. "Türkiye Klinikleri"nin "SİTE" üzerinden belirli bir ücret karşılığı veya ücretsiz olarak vereceği hizmetler sınırlı sayıda olmamak üzere;

- Sağlık sektörüne yönelik bilimsel makaleler, kitaplar ve bilgilendirici yayınları sağlamak.

- - Bilimsel dergilere yönelik makale hazırlama aşamasında biçimsel, istatistikî ve editöryal destek sağlamak.

4. GENEL HÜKÜMLER

4.1. "Türkiye Klinikleri", "SİTE" dâhilinde erişime açtığı hizmetler ve içeriklerden hangisinin ücrete tabi olacağını belirlemekte tamamen serbesttir.

4.2. "Türkiye Klinikleri"'nin sunduğu hizmetlerden yararlananlar ve siteyi kullananlar, yalnızca hukuka uygun ve şahsi amaçlarla "SİTE" üzerinde işlem yapabilirler. Kullanıcıların, "SİTE" dâhilinde yaptığı her işlem ve eylemdeki hukuki ve cezai sorumluluk kendilerine aittir. Her KULLANICI, "Türkiye Klinikleri"nin ve/veya başka bir üçüncü şahsın haklarına tecavüz teşkil edecek nitelikteki herhangi bir iş ve eylemde bulunmayacağını; yazılı, görsel ve işitsel bilgileri açıklamayacağını, "Türkiye Klinikleri"ne açıkladığı ve/veya "SİTE"ye gönderdiği her türlü yazılı, görsel ve işitsel bilginin "Türkiye Klinikleri"ne açıkladığı ve/veya "SİTE"ye gönderdiği sırada her türlü biçimde kullanılması, işlenmesi, saklanması, açıklanması ve üçüncü kişilere karşı ifşa edilmesi konusunda münhasır hak sahibi olduğunu kabul, beyan ve taahhüt eder. "KULLANICI" "SİTE" dâhilinde bulunan resimleri, metinleri, görsel ve işitsel imgeleri, video klipleri, dosyaları, veritabanları, katalogları ve listeleri çoğaltmayacağı, kopyalamayacağı, dağıtmayacağı, işlemeyeceğini, gerek bu eylemleri ile gerekse de başka yollarla "Türkiye Klinikleri" ile doğrudan ve/veya dolaylı olarak rekabete girmeyeceğini kabul ve taahhüt etmektedir.

4.3. "SİTE" dâhilinde üçüncü kişiler tarafından sağlanan hizmetlerden ve yayınlanan içeriklerden dolayı "Türkiye Klinikleri"nin, işbirliği içinde bulunduğu kurumların, "Türkiye Klinikleri" çalışanlarının ve yöneticilerinin, "Türkiye Klinikleri" yetkili satıcılarının sorumluluğu bulunmamaktadır. Herhangi bir üçüncü kişi tarafından sağlanan ve yayınlanan bilgilerin, içeriklerin, görsel ve işitsel imgelerin doğruluğu ve hukuka uygunluğunun taahhüdü bütünüyle bu eylemleri gerçekleştiren üçüncü kişilerin sorumluluğundadır. "Türkiye Klinikleri", üçüncü kişiler tarafından sağlanan hizmetlerin ve içeriklerin güvenliğini, doğruluğunu ve hukuka uygunluğunu taahhüt ve garanti etmemektedir.

4.4. "KULLANICI"lar, "SİTE"yi kullanarak, "Türkiye Klinikleri"nin, diğer "KULLANICI"ların ve üçüncü kişilerin aleyhine hiçbir faaliyette bulunamazlar. "KULLANICI"ların işbu "SİTE Kullanım Koşulları" hükümlerine ve hukuka aykırı olarak gerçekleştirdikleri "SİTE" üzerindeki faaliyetler nedeniyle üçüncü kişilerin uğradıkları veya uğrayabilecekleri zararlardan dolayı "Türkiye Klinikleri"nin doğrudan ve/veya dolaylı hiçbir sorumluluğu yoktur.

4.5. "KULLANICI"lar, "SİTE" dâhilinde kendileri tarafından sağlanan bilgilerin ve içeriklerin doğru ve hukuka uygun olduğunu kabul ve taahhüt etmektedirler. "Türkiye Klinikleri", "KULLANICI"lar tarafından "Türkiye Klinikleri"ne iletilen veya "SİTE" üzerinden kendileri tarafından yüklenen, değiştirilen ve sağlanan bilgilerin ve içeriklerin doğruluğunu araştırma; bu bilgi ve içeriklerin güvenli, doğru ve hukuka uygun olduğunu taahhüt ve garanti etmekle yükümlü ve sorumlu değildir.

4.6. "KULLANICI"lar, "SİTE" dâhilinde Türk Ticaret Kanunu hükümleri uyarınca haksız rekabete yol açacak faaliyetlerde bulunmayacağını, "Türkiye Klinikleri"nin ve üçüncü kişilerin şahsi ve ticari itibarı sarsacak, kişilik haklarına tecavüz ve taarruz edecek fiilleri gerçekleştirmeyeceğini kabul ve taahhüt etmektedir.

4.7. "Türkiye Klinikleri", "SİTE" dâhilinde sunulan hizmetleri ve içerikleri her zaman değiştirebilme hakkını saklı tutmaktadır. "Türkiye Klinikleri", bu hakkını hiçbir bildirimde bulunmadan ve önel vermeden kullanabilir. "KULLANICI"lar, "Türkiye Klinikleri"nin talep ettiği değişiklik ve/veya düzeltmeleri ivedi olarak yerine getirmek zorundadırlar. "Türkiye Klinikleri" tarafından talep edilen değişiklik ve/veya düzeltme istekleri gerekli görüldüğü takdirde "Türkiye Klinikleri" tarafından yapılabilir. "Türkiye Klinikleri" tarafından talep edilen değişiklik ve/veya düzeltme taleplerinin, "KULLANICI"lar tarafından zamanında yerine getirilmemesi sebebiyle doğan veya doğabilecek zararlar, hukuki ve cezai sorumluluklar tamamen kullanıcılara aittir.

4.8. "SİTE" üzerinden, "Türkiye Klinikleri"nin kendi kontrolünde olmayan ve başkaca üçüncü kişilerin sahip olduğu ve işlettiği başka web sitelerine ve/veya "İÇERİK"lere ve/veya dosyalara link verebilir. Bu link'ler sadece referans kolaylığı nedeniyle sağlanmış olup ilgili web sitesini veya işleten kişiyi desteklemek amacıyla veya web sitesi veya içerdiği bilgilere yönelik herhangi bir türde bir beyan veya garanti niteliği taşımamaktadır. "SİTE" üzerindeki linkler vasıtasıyla erişilen web siteleri, dosyalar ve içerikler, bu linkler vasıtasıyla erişilen web sitelerinden sunulan hizmetler veya ürünler veya bunların içeriği hakkında "Türkiye Klinikleri"nin herhangi bir sorumluluğu yoktur.

4.9. "Türkiye Klinikleri", "SİTE" üzerinden "KULLANICILAR" tarafından kendisine iletilen bilgileri "Gizlilik Politikası" ve "KULLANICI Sözleşmesi" hükümleri doğrultusunda kullanabilir. Bu bilgileri işleyebilir, bir veritabanı üzerinde tasnif edip muhafaza edebilir. "Türkiye Klinikleri" aynı zamanda; KULLANICI veya ziyaret edenin kimliği, adresi, elektronik posta adresi, telefonu, IP adresi, "SİTE"nin hangi bölümlerini ziyaret ettiği, domain tipi, tarayıcı (browser) tipi, tarih ve saat gibi bilgileri de istatistiki değerlendirme ve kişiye yönelik hizmetler sunma gibi amaçlarla kullanabilir.

5. FİKRİ MÜLKİYET HAKLARI

5.1. Bu "SİTE" dâhilinde erişilen veya hukuka uygun olarak kullanıcılar tarafından sağlanan bilgiler ve bu "SİTE"nin (sınırlı olmamak kaydıyla tasarım, metin, imge, html kodu ve diğer kodlar) tüm elemanları (Hepsi birden "Türkiye Klinikleri"nin telif haklarına tabi çalışmaları olarak anılacaktır) "Türkiye Klinikleri"ne aittir. Kullanıcılar, "Türkiye Klinikleri" hizmetlerini, "Türkiye Klinikleri" bilgilerini ve "Türkiye Klinikleri"nin telif haklarına tabi çalışmalarını yeniden satmak, işlemek, paylaşmak, dağıtmak, sergilemek veya başkasının "Türkiye Klinikleri"nin hizmetlerine erişmesi veya kullanmasına izin vermek hakkına sahip değildirler. İşbu "SİTE Kullanım Koşulları" dâhilinde "Türkiye Klinikleri" tarafından sarahaten izin verilen durumlar haricinde "Türkiye Klinikleri"nin telif haklarına tabi çalışmalarını çoğaltamaz, işleyemez, dağıtamaz veya bunlardan türemiş çalışmalar yapamaz veya hazırlayamaz.

5.2. İşbu "SİTE Kullanım Koşulları" dâhilinde "Türkiye Klinikleri" tarafından sarahaten yetki verilmediği hallerde "Türkiye Klinikleri"; "Türkiye Klinikleri" hizmetleri, "Türkiye Klinikleri" bilgileri, "Türkiye Klinikleri" telif haklarına tabi çalışmaları, "Türkiye Klinikleri" ticari markaları, "Türkiye Klinikleri" ticari görünümü veya bu SİTE vasıtasıyla sağladığı başkaca varlık ve bilgilere yönelik tüm haklarını saklı tutmaktadır.

6. SİTE KULLANIM KOŞULLARINDA DEĞİŞİKLİKLER

"Türkiye Klinikleri", tamamen kendi takdirine bağlı olarak işbu "SİTE Kullanım Koşulları"nı herhangi bir zamanda "SİTE"'da ilan ederek değiştirebilir. İşbu "SİTE Kullanım Koşulları"nın değişen hükümleri, ilan edildikleri tarihte geçerlilik kazanacaktır. İşbu "SİTE Kullanım Koşulları" kullanıcının tek taraflı beyanları ile değiştirilemez.

7. MUCBİR SEBEPLER

Hukuken mücbir sebep sayılan tüm durumlarda, "Türkiye Klinikleri" işbu "SİTE Kullanım Koşulları", gizlilik politikası ve "KULLANICI Sözleşmesi"nden herhangi birini geç ifa etme veya ifa etmeme nedeniyle yükümlü değildir. Bu ve bunun gibi durumlar, "Türkiye Klinikleri" açısından, gecikme veya ifa etmeme veya temerrüt addedilmeyecek veya bu durumlar için "Türkiye Klinikleri"nin herhangi bir tazminat yükümlülüğü doğmayacaktır. "Mücbir sebep" terimi, ilgili tarafın makul kontrolü haricinde ve "Türkiye Klinikleri"nin gerekli özeni göstermesine rağmen önleyemediği olaylar olarak yorumlanacaktır. Bunu yanında sınırlı olmamak koşuluyla, doğal afet, isyan, savaş, grev, iletişim sorunları, altyapı ve internet arızaları, elektrik kesintisi ve kötü hava koşulları gibi durumlar mücbir sebep olaylarına dâhildir.

8. UYGULANACAK HUKUK VE YETKİ

İşbu "SİTE Kullanım Koşulları" uygulanmasında, yorumlanmasında ve bu "SİTE Kullanım Koşulları" dâhilinde doğan hukuki ilişkilerin yönetiminde yabancılık unsuru bulunması durumunda Türk kanunlar ihtilafı kuralları hariç olmak üzere Türk Hukuku uygulanacaktır. İşbu sözleşmeden dolayı doğan veya doğabilecek her türlü ihtilafın hallinde Ankara Mahkemeleri ve İcra Daireleri yetkilidir.

9. YÜRÜRLÜLÜK VE KABUL

İşbu "SİTE Kullanım Koşulları" "Türkiye Klinikleri" tarafından "SİTE" içersinde ilan edildiği tarihte yürürlülük kazanır. Kullanıcılar, işbu sözleşme hükümlerini "SİTE"yi kullanmakla kabul etmiş olmaktadırlar. "Türkiye Klinikleri", dilediği zaman iş bu sözleşme hükümlerinde değişikliğe gidebilir ve değişiklikler sürüm numarası ve değişiklik tarihi belirtilerek "SİTE" üzerinde yayınlandığı tarihte yürürlülüğe girer.

30.03.2014

Gizlilik Bildirimi

→  Sitemizi ziyaret etmeden önce aşağıda yazılı kullanım ilkelerini mutlaka okumanızı öneririz. Bu şartları kabul etmeniz halinde sitemizden faydalanırken kurallarımıza uymanız yararınıza olacaktır. Lütfen Kullanım İlkelerimizin tamamını okuyunuz.

→  www.turkiyeklinikleri.com Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.'ye ait hekimleri sağlık alanında bilgilendirmeye yönelik hazırlanmış bir web sitesidir.

→  www.turkiyeklinikleri.com kullanıcılarının kimliklerine, adreslerine, hizmet sağlayıcılarına ve benzeri bilgilerine erişemez. Bu bilgileri kullanıcılar isterse formlar yoluyla siteye gönderebilirler. Ancak, www.turkiyeklinikleri.com donanım ve yazılım bilgilerinizi toplayabilir. Bu bilgiler arasında şunlar yer alır: IP adresiniz, tarayıcı türü, işletim sistemi, etki alan adı, erişim süreleri ve ilgili web adresleri. www.turkiyeklinikleri.com kullanıcılardan aldığı kişisel bilgileri (isminiz, elektronik posta adresiniz, ev ve iş adresiniz, telefon numaranız, vb.) üçüncü bir kuruma satamaz, kamuoyuna yayınlayamaz, site içinde tutamaz. Alınan bilgiler sitenin ziyaretçi profili, raporlama ve hizmetlerin tanıtımına kaynak olması için yönlendirici özellik taşır.

→  www.turkiyeklinikleri.com sizden aldığı bilgileri şu amaçlar için kullanır:

-Web sitesini iyileştirmek,geliştirmek ve kaliteyi korumak,

-Ziyaretçi profili ve genel istatistik veriler oluşturmak,

-Ziyaretçilerin sitemizi nasıl kullandığı ile ilgili eğilimlerini belirlemek,

-Asılı yayınlar/yazışmalar göndermek,

-Elektronik posta yoluyla basın bültenleri veya bildirimler göndermek,

-Etkinlik ya da yarışma için liste oluşturmak.

→  www.turkiyeklinikleri.com adresini kullanmakla;

-Herhangi bir kullanıcının yasal ve ahlaki olmayan davranışlarından Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.'nin sorumlu tutulamayacağını,

-Kullanım ilkelerinin zaman zaman değiştirebileceğini,

-Diğer bağlantı sağladığı ama denetleyemediği sitelerin içeriklerinden veya bilgisayarınıza verecek zararlardan sorumlu olmadığını kabul etmiş sayılırsınız.

→  Aşağıda belirtilen durumlarda Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş. sitesini kullanıcılara kapatabilir:

-Yanlış, eksik, yanıltıcı ve genel ahlak kurallarına uygun olmayan ifadeleri içeren bilgilerin siteye kaydedilmesi durumunda,

-İstenilen bilgilerin içine ilan, reklam, duyuru, özel veya tüzel kişiliklere hakaret içeren ifadeler kullanıldığında,

-Çeşitli yollarla siteye yapılan saldırılar sırasında

-Virüs nedeniyle sitenin yapısının bozulması durumunda.

→  Kod ve yazılım da dahil, sitede yer alan yazılı, görüntülü ve sesli fikir ürünleri Telif Hakları ile ilgili yasal mevzuat uyarınca güvence altındadır.

→  Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.in yazılı izni olmadığı sürece sitede yer alan bilgiler; başka bir bilgisayara yüklenemez, değiştirilemez, çoğaltılamaz, kopyalanamaz, yeniden yayınlanamaz, postalanamaz, dağıtılamaz.

→  Sitede bulunan yazılım ve tasarımların her hakkı Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş.’ye aittir.

→  Ortadoğu Reklam Tanıtım Yayıncılık Turizm Eğitim İnşaat Sanayi ve Ticaret A.Ş. kullanım ilkelerimizle ilgili yorumlarınızı almaktan memnuniyet duyacaktır. Sitemizi zenginleştirebileceğini düşündüğünüz konuları ya da sitemizle ilgili yaşadığınız bir problem olursa lütfen bizimle paylaşın.

info@turkiyeklinikleri.com

04.04.2014