Geri Dön

Yapay zeka teknikleri kullanılarak elektroensefalogram sinyallerinde motor imgeleme olayının tespiti, sınıflandırılması ve karşılaştırılması

Detection, classification, and comparison of motor imaging events in electroencephalogram signals using artificial intelligence techniques

PDF İndir

  1. Tez No: 1008632
  2. Yazar: MERVE KILIÇ
  3. Danışmanlar: DOÇ. DR. VEYSEL GÖKHAN BÖCEKÇİ, DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektroensefalografi (EEG), beynin zamansal çözünürlükteki elektriksel dinamiklerini invazif olmayan bir biçimde yakalayabilme yeteneği sayesinde, motor imgeleme gibi bilişsel ve motor süreçlerin nesnel olarak analiz edilmesinde kritik bir rol oynamaktadır. MI-EEG analizleri; nörorehabilitasyon, beyin-bilgisayar arayüzleri (BCI) ve asistif sistemler gibi alanlarda, istemli hareket gerçekleşmeksizin hareket niyetinin ayrıştırılmasını mümkün kıldığı için yoğun biçimde araştırılmaktadır. Ancak literatür incelendiğinde çalışmaların çoğunlukla“el-el”görevlerine odaklandığı, buna karşın“ayak-ayak”ve özellikle“el-ayak”ayrımlarının görece az incelendiği görülmektedir. Bu durum, BCI uygulamalarında komut çeşitliliğini sınırlayan başlıca faktörlerden biri olarak değerlendirilmektedir. Bu çalışmada, motor imgeleme EEG sinyalleri zaman-frekans spektrogram tabanlı yöntemlerle sınıflandırılmış ve benzer çalışmalara kıyasla daha yüksek doğruluk elde edilmesi amaçlanmıştır.. Bu çalışmada, belirli bir deneysel senaryo kapsamında, yaşları 20–45 arasında değişen ve biri kadın olmak üzere sekiz sağlıklı katılımcının motor imgeleme sırasında ortaya çıkan elektriksel beyin aktiviteleri EEG yöntemiyle kaydedilmiştir. Deney süresince katılımcılardan sırasıyla sağ el, sol el, sağ ayak ve sol ayak hareketlerini fiziksel bir eylem gerçekleştirmeksizin zihinsel olarak canlandırmaları istenmiştir. Uygulama sırasında, yalnızca motor imgeleme sürecini tetiklemeye yönelik sade bir protokol izlenmiştir. Bu çalışmada kullanılan EEG veri seti GitHub platformunda https://github.com/mervesidim/EEG-signals-dataset.git adresinde açık olarak erişime sunulmuştur. Toplanan EEG verilerine öncelikle segmentasyon uygulanarak zaman pencereleri oluşturulmuştur. Ardından, motor imgeleme frekans aralığındaki bileşenleri korumak için bant geçiren filtre uygulanmış ve gürültü ile düşük frekanslı kaymaları gidermek amacıyla baz düzeltmesi yapılmıştır.Ön işleme sonrasında, her segment zaman–frekans analizine tabi tutulmuş ve hem Kısa Zamanlı Fourier Dönüşümü (STFT) hem de Sürekli Dalgacık Dönüşümü (CWT) yöntemleriyle iki boyutlu spektrogram temsilleri elde edilmiştir. Elde edilen bu spektrogram görüntüleri, derin öğrenme tabanlı modelleri(Ağırlık Optimizasyonlu Geç Füzyon, Chebyshev Grafik Sinir Ağları, Dalgacık tabanlı zamansal-spektral-dikkat , CNN, RNN, LSTM, EfficientNet , ViT) ile sınıflandırılmıştır. Bu çalışmada elde edilen sınıflandırma sonuçlarına göre, en yüksek doğruluk oranları önerilen Ağırlık Optimizasyonlu Geç Füzyon modeli ile elde edilmiştir. Model, sağ el–sol el motor imgeleme sınıflandırmalarında %83,17, sağ ayak–sol ayak sınıflandırmalarında ise %79,8 doğruluk başarımı göstermiştir. Bu sonuçlar, motor imgeleme Elektroensefalografi (EEG) sinyallerinin etkin bir şekilde sınıflandırılabileceğini göstermektedir. Özellikle, literatürde az sayıda bulunan el - ayak imgelemeleri de ele alınmıştır. Bu çalışma, MI-EEG sinyallerinin sınıflandırılmasının, motor imgeleme tabanlı beyin-bilgisayar arayüzü sistemlerinde daha dengeli ve çoklu komut tanımlamasına katkı sağlamıştır.

Özet (Çeviri)

Electroencephalography (EEG) plays a critical role in the objective analysis of cognitive and motor processes—such as motor imagery—due to its ability to non-invasively capture the brain's electrical dynamics with high temporal resolution. MI-EEG analyses are extensively investigated in fields such as neurorehabilitation, brain–computer interfaces (BCI), and assistive systems, as they enable decoding of movement intention without the execution of any voluntary action. However, a review of the literature reveals that most studies predominantly focus on“hand–hand”tasks, whereas“foot–foot”and particularly“hand–foot”discrimination have been relatively understudied. This limitation is considered one of the primary factors restricting command diversity in BCI applications. In this study, motor imagery EEG signals were classified using time–frequency spectrogram-based methods, aiming to achieve higher accuracy compared to similar works in the literature. In the experimental protocol, EEG recordings of electrical brain activity during motor imagery were obtained from eight healthy participants aged 20–45, including one female. During the experiment, participants were instructed to mentally simulate right-hand, left-hand, right-foot, and left-foot movements without performing any physical action. A minimalistic protocol was adopted to solely evoke the motor imagery process. The EEG dataset used in this study has been made publicly available on GitHub at: https://github.com/mervesidim/EEG-signals-dataset.git The collected EEG signals were first segmented into temporal windows. A band-pass filter was then applied to retain components within the motor imagery frequency range, followed by baseline correction to eliminate noise and low-frequency drifts. After preprocessing, each segment underwent time–frequency analysis, and two-dimensional spectrogram representations were generated using both Short-Time Fourier Transform (STFT) and Continuous Wavelet Transform (CWT). These spectrogram images were subsequently classified using deep learning–based models, including the Weight-Optimization-Based Late Fusion model, Chebyshev Graph Neural Network, Wavelet-Based Temporal–Spectral Attention, CNN, RNN, LSTM, EfficientNet, and Vision Transformer (ViT). According to the classification results obtained in this study, the highest accuracy rates were achieved using the proposed Weight-Optimization-Based Late Fusion model. The model achieved 83.17% accuracy in right-hand vs. left-hand classification, and 79.8% accuracy in right-foot vs. left-foot classification. These results demonstrate that motor imagery EEG signals can be effectively classified. Notably, this study also addresses the relatively scarce“hand–foot”imagery distinction in the literature. Overall, the findings contribute to achieving more balanced and multi-command motor imagery–based brain–computer interface systems.

Benzer Tezler

  1. Tez No

    958602

    Elektroensefalografide (EEG) derin sinir ağlarının uygulanması

    Application of deep neural networks in electroencephalography (EEG)

    BERAY İKİNCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERCAN AYKUT

  2. Tez No

    825575

    Parkinson hastalığının EEG sinyallerinden yapay zeka teknikleri kullanılarak sınıflandırılması

    Classification of parkinson's disease from EEG signals using artificial intelligence techniques

    SULTAN PENEKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA LATİFOĞLU

  3. Tez No

    966721

    Depresyonun EEG sinyallerinden sinyal işleme ve yapay zeka yöntemleriyle analizi

    Analyzing depression through EEG signals using signal processing and AI methods

    SABRINA TURTUROVA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA LATİFOĞLU

  4. Tez No

    941602

    Majör depresyon hastalığının tespiti için elektroensefalografi EEG sinyallerinin incelenmesi ve yapay zekâ teknikleriyle sınıflandırılması

    Classification of major depressive disorder from eeg signals usi̇ng artificial intelligence techniques

    DERYA ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyomühendislikErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. ESMA UZUNHİSARCIKLI

  5. Tez No

    717581

    Neuroscience applications in the area of sustainability

    Sürdürülebilirlik alanında nörobilim uygulamaları

    TAMARA HUMMADI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İşletmeBahçeşehir Üniversitesi

    Sağlık Bilimleri Ana Bilim Dalı

    Dr. TİMUÇİN AVŞAR

Geri Dön