Motor görüntü elektroensefalografi sinyallerinin zaman-frekans alanı analizine dayalı sınıflandırılması
Classification of motor imagery electroencephalography signals based on time-frequency domain analysis
- Tez No: 1001492
- Danışmanlar: DOÇ. DR. MAHMUT ÖZTÜRK
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Motor imgeleme (MI) EEG tabanlı beyin-bilgisayar arayüzleri (BBA'lar), EEG sinyallerinin durağan olmaması (non-stationarity) ve düşük sinyal-gürültü oranları nedeniyle temelden kısıtlanmaktadır. Ortak Uzamsal Örüntü (CSP) filtrelemesi ile evrişimli sinir ağlarını (CNN) birleştiren işlem hatları umut verici sonuçlar verse de, literatürde uzamsal filtrelemenin zaman-frekans temsilleri (TFR'ler) ile nasıl etkileşime girdiğine dair ilkesel bir anlayış eksikliği bulunmakta ve genellikle ampirik deneme-yanılma yöntemlerine dayanılmaktadır. Bu tez, CSP projeksiyonundan sonra uygulanan yüksek çözünürlüklü TFR'lerin sistematik bir değerlendirmesini sunmaktadır. Çalışma, uzamsal filtrelemenin enerji dağılımlarını nasıl yeniden şekillendirdiğine dair nedensel bir analiz sunmayı ve MI-EEG sınıflandırması için optimal TFR yöntemlerinin seçimine yönelik kanıta dayalı yönergeler oluşturmayı amaçlamaktadır. CSP-TFR-CNN işlem hattı; Sürekli Dalgacık Dönüşümü (CWT), Fourier Senkrosıkıştırma Dönüşümü (FSST), Dalgacık Senkrosıkıştırma Dönüşümü (WSST) ve çoklu pencereli WSST yoluyla Frekans ve Zaman Konsantrasyonu (ConceFT) olmak üzere dört yüksek çözünürlüklü yöntem karşılaştırılarak değerlendirilmiştir. Elde edilen sonuçlar, FSST+CSP+CNN kombinasyonunun %97,82 ile en yüksek sınıflandırma doğruluğuna ulaştığını; bunu CWT (%97,60) ve WSST'nin (%97,26) izlediğini göstermiştir. Buna karşın, ConceFT+CSP+CNN %79,73 ile anlamlı derecede daha düşük bir doğruluk oranı sergilemiştir. Nedensel analizler, CSP projeksiyonunun örtük bir uzamsal-spektral filtre görevi görerek sınıfa özgü ayırt edici salınımsal bileşenleri güçlendirdiğini ve enerjiyi belirli hücrelerde yoğunlaştırdığını; ConceFT'nin ise bu hayati ayırt edici örüntüleri zayıflattığını ortaya koymuştur. Tezin başlıca katkıları; TFR yöntemlerinin sistematik bir değerlendirmesini, CSP kaynaklı enerji yeniden dağılımının nedensel açıklamasını ve TFR seçimi için kanıta dayalı yönergelerin sunulmasını içermektedir. Bu çalışma, MI-EEG kod çözme başarısının yalnızca sınıflandırıcı karmaşıklığından ziyade temel olarak temsil kalitesiyle sınırlandığını saptamakta ve daha dayanıklı, uyarlanabilir ve hesaplama açısından verimli non-invaziv BBA sistemlerinin geliştirilmesi için bilimsel bir çerçeve sunmaktadır.
Özet (Çeviri)
Motor imagery (MI) EEG-based brain-computer interfaces (BCIs) are fundamentally limited by signal non-stationarity and low signal-to-noise ratios. While pipelines combining Common Spatial Pattern (CSP) filtering with convolutional neural networks (CNNs) show promise, the field lacks a principled understanding of how spatial filtering interacts with time-frequency representations (TFRs). often relies on empirical trial-and-error. This thesis presents a systematic evaluation of high-resolution TFRs applied after the CSP projection. This study aims to provide a causal analysis of how spatial filtering reshapes energy distributions and establish evidence-based guidelines for selecting optimal TFR methods for MI-EEG classification. The CSP-TFR-CNN pipeline was evaluated by comparing four high-resolution methods: Continuous Wavelet Transform (CWT), Fourier Synchrosqueezed Transform (FSST), Wavelet Synchrosqueezed Transform (WSST), and Concentration of Frequency and Time via multitapered WSST (ConceFT). The results showed that FSST+CSP+CNN achieved the highest classification accuracy of 97.82%, followed by CWT (97.60%) and WSST (97.26%). In contrast, ConceFT+CSP+CNN yielded a significantly lower accuracy of 79.73%. Causal analysis revealed that CSP projection acts as an implicit spatial-spectral filter, amplifying class-discriminative oscillatory components and concentrating energy into specific tiles, whereas ConceFT attenuates these vital discriminative patterns. The principal contributions include a systematic evaluation of TFR methods, causal explanation of CSP-induced energy redistribution, and provision of evidence-based guidelines for TFR selection. This study establishes that MI-EEG decoding is fundamentally constrained by representation quality rather than classifier complexity alone, offering a framework for developing more robust, adaptive, and computationally efficient non-invasive BCI systems.
Benzer Tezler
- Motor imgeleme eeg sinyallerinin zaman-frekans spektrogramı temelli sınıflandırma yöntemlerinin incelenmesi ve karşılaştırılması
Examination and comparison of time-frequency spectrogram-based classification methods for motor imagery eeg signals
MEHMET GÜROCAK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- Elektroensefalografi tabanli beyin bilgisayar arayüzü sistemlerinde kullanilan kanallarin duygu tanima performans analizi
Emotion recognition performance analysis of electroencephalography based brain computer interface systems
FURKAN DOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR ONAY DURDU
- Zihinsel aritmetik ve motor görüntü tabanlı fizyolojik sinyallerin değerlendirilmesi
Evaluation of mental arithmetic and motor image based physiological signals
MERVE KOÇYİĞİT
Yüksek Lisans
Türkçe
2020
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞEGÜL GÜVEN
- Düşünsel yönelim EEG'sinin yapay sinir ağları ile kontrolde kullanımına yönelik simülasyonu
Simulation of EEG imagery in control applications using neural networks
ÖZBER ÇİN
Yüksek Lisans
Türkçe
2005
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF.DR. GALİP CANSEVER
- Hybrid electroencephalogram (Eeg) - functional near-infrared spectroscopy (Fnirs) brain-computer interface (BCI) classification of motor imagery tasks
Motor görüntü görevlerinin hibrit elektroensefalografi (Eeg)- işlevesel kızılötesine yakın spektroskopi (Fnirs) beyin bilgisayar ara birimi (BCI) sınıflandırması
MUSTAFA AMER HASAN HASAN
Yüksek Lisans
İngilizce
2019
Mekatronik MühendisliğiAtılım ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. MUHAMMAD UMER KHAN