Motor imgeleme ile oluşturulan EEG işaretlerinin graf temelli derin öğrenme yöntemleri kullanılarak sınıflandırılması
Classification of EEG signals generated with motor imagery using graph-based deep learning methods
- Tez No: 1016636
- Danışmanlar: PROF. DR. YÜCEL KOÇYİĞİT
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Elektroensefalografi (EEG), Motor İmgeleme, Graf Teorisi, Spektral Graf, Derin Öğrenme, Beyin Bilgisayar Arayüzü, Electroencephalography (EEG), Motor Imagery, Graph Theory, Spectral Graph, Feature Extraction, Deep Learning, Brain–Computer Interface, Classification, Cartesian Robot Control
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin-bilgisayar arayüzleri alanında elektroensefalografi (EEG) sinyallerinin doğru ve güvenilir biçimde analiz edilmesi giderek daha fazla önem kazanmaktadır. Özellikle motor imgeleme tabanlı sistemlerde, bireyin düşünce temelli komutlarının doğru sınıflandırılması; rehabilitasyon, yardımcı teknolojiler ve insan-makine etkileşimi gibi uygulamalar açısından kritik bir rol oynamaktadır. Bununla birlikte EEG sinyallerinin düşük genlikli, gürültüye duyarlı, durağan olmayan ve bireyler arası değişkenliği yüksek yapısı, sınıflandırma performansını sınırlayan temel etkenler arasında yer almaktadır. Bu tez çalışmasında, motor imgeleme EEG sinyallerinin sınıflandırılması amacıyla uzamsal öznitelik çıkarımı ile spektral graf tabanlı öznitelik seçimini bütünleştiren bir yaklaşım geliştirilmiştir. Bu kapsamda, Filtre Bankası Ortak Uzamsal Örüntü (Filter Bank Common Spatial Pattern, FBCSP) yöntemi kullanılarak motor imgeleme sinyallerinden ayırt edici uzamsal-frekanssal öznitelikler elde edilmiştir. Ardından, örnekler arasındaki benzerlik ilişkilerini temsil eden graf yapısı oluşturulmuş ve her bir öznitelik, bu örnek grafı üzerinde veri manifoltunun yerel yapısını koruma düzeyine göre Laplasyen Skor yöntemi ile değerlendirilmiştir. Bu süreçte örnekler arası benzerlik yapısı geometrik uzaklık bilgisi ve spektral entropi bilgisiyle zenginleştirilmiştir. Böylece EEG verisinin frekans karakteristiğinin öznitelik seçimi sürecine dâhil edilmesi amaçlanmıştır. Önerilen yaklaşımın performansı, motor imgeleme çalışmalarında yaygın olarak kullanılan BCI Competition IV Dataset 2a veri seti üzerinde değerlendirilmiştir. Güncel deneysel sonuçlara göre, yalnızca FBCSP tabanlı modellerde doğruluk değerleri %71,65 ile %81,61 arasında değişirken, spektral graf tabanlı öznitelik seçimi sonrasında doğruluk değerleri %87,10 ile %89,00 aralığına yükselmiştir. En yüksek performans, FBCSP ve spektral graf tabanlı öznitelik seçiminin birlikte kullanıldığı MLP modelinde %89,00 doğruluk, 0,855 kappa ve %89,0 F1-skoru ile elde edilmiştir. Tez kapsamında ayrıca Emotiv Epoc X cihazı kullanılarak dört sınıflı özgün bir EEG veri seti oluşturulmuş, geliştirilen model gömülü sistem ortamına aktarılmış ve gerçek zamanlı uygulama üzerinde değerlendirilmiştir. Elde edilen sınıflandırma çıktıları kullanılarak iki eksenli kartezyen robotun kontrolü gerçekleştirilmiş ve sistemin yön komutlarını başarıyla yerine getirdiği gözlemlenmiştir.
Özet (Çeviri)
Accurate and reliable analysis of electroencephalography (EEG) signals has become increasingly important in the field of brain-computer interfaces. Particularly in motor imagery-based systems, the accurate classification of thought-driven commands plays a critical role in applications such as rehabilitation, assistive technologies, and human-machine interaction. However, the low-amplitude, noisesensitive, non-stationary, and highly subject-dependent nature of EEG signals remains one of the main factors limiting classification performance. In this thesis, an integrated approach combining spatial feature extraction and spectral graph-based feature selection was developed for the classification of motor imagery EEG signals. In this context, discriminative spatial-spectral features were extracted from motor imagery signals using the Filter Bank Common Spatial Pattern (FBCSP) method. Subsequently, a graph structure representing the similarity relationships among samples was constructed, and each feature was evaluated on this sample graph using the Laplacian Score method according to its ability to preserve the local structure of the data manifold. In this process, the similarity structure among samples was enriched with geometric distance information and spectral entropy information. Thus, the frequency characteristics of EEG data were incorporated into the feature selection process. The performance of the proposed approach was evaluated on the BCI Competition IV Dataset 2a, which is widely used in motor imagery studies. According to the updated experimental results, the accuracy values of the models based only on FBCSP ranged from 71.65% to 81.61%, whereas the accuracy values increased to the range of 87.10%–89.00% after spectral graph-based feature selection. The highest performance was obtained with the MLP model in which FBCSP and spectral graph- based feature selection were used together, achieving an accuracy of 89.00%, a kappa value of 0.855, and an F1-score of 89.0%. In addition, a four-class original EEG dataset was created using the Emotiv Epoc X device, the developed model was transferred to an embedded system environment, and it was evaluated in a real-time application. The classification outputs were used to control a two-axis Cartesian robot, and it was observed that the system successfully executed directional commands.
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
- Rotator manşet yaralanmalarında motor imgeleme eğitiminin ağrı, eklem hareket açıklığı ve kas kuvveti üzerine etkileri
Effects of motor imagery training on pain, range of motion and muscle strength in rotator cuff injuries
ULVİYE YILMAZ
Yüksek Lisans
Türkçe
2023
Fizyoterapi ve RehabilitasyonDokuz Eylül ÜniversitesiFizyoloji Ana Bilim Dalı
PROF. DR. OSMAN AÇIKGÖZ
- Multipl Skleroz'lu bireylerde yorgunluk, kognisyon ve anksiyete seviyelerinin motor imgeleme üzerine etkisi: Kontrollü çalışma
The effect of fatigue, cognition, and anxiety levels on motor imagery in individuals with multiple sclerosis: a controlled study
BATUHAN DÖNMEZ
Yüksek Lisans
Türkçe
2024
Fizyoterapi ve Rehabilitasyonİzmir Bakırçay ÜniversitesiFizyoterapi ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. KADİRHAN ÖZDEMİR
- Hareketi gözlemlerken motor imgelemenin sıçrama performansı ve algılanan performans üzerine etkisi
The effect of action observation and motor imagery on jumping performance and perceived performance
MUHAMMET CİHAT ÇİFTÇİ
Doktora
Türkçe
2022
SporAnkara Yıldırım Beyazıt ÜniversitesiSpor Bilimleri Ana Bilim Dalı
PROF. DR. BAKİ YILMAZ
- Sağlıklı erişkinlerde sanal egzersiz ve motor imgelemin denge ve koordinatif beceriler üzerine etkisi
Effects of virtual exercises and motor imagery on balance and coordination skills in healty adults
OGÜN KÖYAĞASIOĞLU
Tıpta Uzmanlık
Türkçe
2020
SporEge ÜniversitesiSpor Hekimliği Ana Bilim Dalı
PROF. DR. CENGİZHAN ÖZGÜRBÜZ