Çok boyutlu derin öğrenme yaklaşımı kullanarak eeg işaretlerinden duygu tanıma
Emotion recognition from eeg signals using multidimensional deep learning approach
- Tez No: 1016053
- Danışmanlar: DOÇ. DR. SITKI ÖZTÜRK, DOÇ. DR. KAPLAN KAPLAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Duygular insan hayatında önemli bir yere sahiptir. Duygu tanıma sistemleri uzun zamandır işaret işleme ve yapay zeka alanlarının popüler çalışma alanı olmaya devam etmektedir. Özellikle EEG tabanlı duygu tanıma önemli bir yere sahiptir. Duygu tanıma çalışmaları sayesinde insan duygularının yazılım tabanlı olarak tahmin edilmesi ve buna bağlı olarak insan-bilgisayar iletişimi çalışmalarına katkı sunmaktadır. Bu tez çalışmasında EEG-tabanlı duygu tanıma için yazılım tabanlı olarak 3 farklı model geliştirilmiştir. Geliştirilen derin öğrenme mimarileri Model-1: 1D-CNN-GRU-BiLSTM, Model-2: 3D-CNN-BiLSTM-GRU-AT ve Model-3: TS-CNN-LSTM olarak adlandırılmıştır. Geliştirilen modeller, hem işaret işleme hem de derin öğrenme kısmında literatürde önemli bir boşluğu doldurmaktadır. Bu modellerin geliştirilmesinde işaret işleme kısmında Wigner-Ville Dağılımı (Wigner-Ville Distiribution – WVD), Görgül Dalgacık Dönüşümü (Emprical Wavelet Transform – EWT) ve Değişimsel Kip Ayrıştırma (Variational Mode Decomposition – VMD) yöntemleri her bir modelde ayrı ayrı kullanılmıştır. EEG işaretinin ayrıştırma aşamasından sonra, frekans-tabanlı, zaman-tabanlı ve doğrusal olmayan öznitelikler kullanılarak heterojen öznitelik havuzu oluşturulmuştur. Üretilen bu öznitelikler resim formatına çevrilip, geliştirilmiş olan derin öğrenme modellerine uygulanmıştır. Derin öğrenme kısmınde hibrit 1-boyutlu (1-Dimension – 1D), 3-boyutlu (3-Dimension – 3D), ve üçlü akış hattına (Triple StreamLine – TS) sahip Evrişimsel Sinir Ağları (Convolutional Neural Network – CNN) tasarlanmıştır. Geliştirilen CNN ağlarının arkasına ise Çift Yönlü Uzun-Kısa Dönem Hafıza (Bidirectional Long Short-Term Memory – BiLSTM), Kapılı Tekrarlayan Ünite (Gated Recurrent Unit – GRU) ve Uzun-Kısa Dönem Hafıza (Long Short-Term Memory – LSTM) ağları eklenmiştir. CNN'ler EEG öznitelikleri üzerinde uzamsal ilişkileri araştırırken, LSTM, BiLSTM ve GRU ise özniteliklerin yakın-uzak ilişkilerini araştırmaktadır. Tasarlanan derin öğrenme modelleri SEED ve DEAP veri setleri üzerinde sınanmıştır. Üç farklı modelin başarım oranları, hem kendi aralarında hem de literatürdeki yerleri tablo halinde sunulmuş ve yorumlanmıştır.
Özet (Çeviri)
Emotions have an important place in human life. Emotion recognition systems have been a popular field of study in signal processing and artificial intelligence for a long time. Especially EEG-based emotion recognition has an important place. Thanks to emotion recognition studies, it contributes to the software-based prediction of human emotions and, accordingly, to human-computer communication studies. In these thesis study, 3 different software models have been developed for EEG-based emotion recognition. The developed deep learning architectures are named as Model-1: 1D-CNN-GRU-BiLSTM, Model-2: 3D-CNN-BiLSTM-GRU-AT and Model-3: TS-CNN-LSTM. The developed models fill an important gap in the literature in both signal processing and deep learning. In the development of these models, Wigner-Ville Distribution (WVD), Empirical Wavelet Transform (EWT) and Variational Mode Decomposition (VMD) methods were used separately in each model in the signal processing part. After the signal decomposition stage of the EEG, a heterogeneous feature pool was created using frequency-based, time-based and nonlinear features. These produced features were converted to image format and applied to the developed deep learning models. In the deep learning part, hybrid 1-dimensional (1D), 3-dimensional (3D), and Triple StreamLine (TS) Convolutional Neural Networks (CNN) were designed. Following the developed CNN networks, Bidirectional Long-Short-Term Memory (BiLSTM), Gated Recurrent Unit (GRU) and Long-Short-Term Memory (LSTM) networks were added. While CNNs investigate spatial relationships on EEG features, LSTM, BiLSTM and GRU investigate near-far relationships of features. The designed deep learning models were tested on datasets such as SEED and DEAP. The performance rates of the three different models, both among themselves and their places in the literature, are presented and interpreted in a table.
Benzer Tezler
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
- Bazı sert çekirdekli meyve türlerinde döllenme biyolojisi üzerinde yöntem çalışmaları
Başlık çevirisi yok
ATBİMOĞLU ADALET
