Düşünsel elektrokortikografi (ECoG) işaretlerinin beyin bilgisayar arayüzü uygulamalarında verimli sınıflandırılması
Efficient classification of imagery electrocorticography (ECoG) signals in brain computer interface applications
- Tez No: 244533
- Danışmanlar: DOÇ. DR. TEMEL KAYIKÇIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2009
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Beyin Bilgisayar Arayüzü (BBA) sistemleri çevresel sinir sistemi ve kaslara bağlı olmayan bir iletişim sistemidir. BBA sistemi biyoelektrik beyin işaretlerini analiz ederek düşünsel istekleri kontrol komutlarını dönüştürmektedir. Bu sistem ALS hastaları gibi kas ve sinir sistemi rahatsızlığı bulunan kişiler için dış ortamla bir iletişim arayüzü olabilmektedir. Böylece bu tip hastaların yaşam kalitesinin artırılması sağlanmış olacaktır.Son yıllarda BBA teknolojisi hızla gelişmektedir. BBA uygulamalarında sınıflandırma doğruluğu ve bilgi transfer hızı önemli iki konudur. BBA araştırmalarında amaç mevcut yöntemlerden daha yüksek sınıflandırma doğruluğu ve daha yüksek veri transfer hızına sahip yöntem geliştirmektir. BBA sistemlerinin giriş işaretlerinin kalitesi artırılarak sınıflandırma doğruluğu artırılabilir. Elektrokortikografi (ECoG) işaretleri korteks üzerinden kayıt edildiklerinden daha yüksek işaret gürültü oranı ve daha iyi uzamsal çözünürlük sağlayabilmektedir. Bundan dolayı ECoG işaretleri BBA sistemleri için işaret kaynağı olarak kullanılabilir.Bu tez çalışmasında, literatürde kullanılan farklı düşünsel ve görsel uygulamalarda elde edilmiş ECoG veri kümesi üzerinde çalışılmıştır. Bu veri kümesinde farklı oturum durumlarında işaretlerin sınıflandırılmasına yönelik katkı sağlayabilecek algoritmaların oluşturulması istenmektedir. Öznitelik çıkarma işlemi BBA uygulamalarının en temel ve en zor konusunu oluşturur. Bu çalışmada farklı sınıflara ait ECoG işaretlerinden dalgacık dönüşümü katsayıları yardımıyla öznitelikler çıkartılmıştır. Bulunan özniteliklere göre K-En Yakın Komşuluk (KNN), Destek Vektör Makineleri (DVM) ve Doğrusal Ayırma Analizi (DAA) kullanılarak sınıflandırma yapılmıştır. Tüm bu çalışmalar daha yüksek sınıflandırma oranı ve yüksek beyin bilgisayar arayüzleşmesi veri hızı elde edebilmek amacı gözetilerek gerçekleştirilmiştir.
Özet (Çeviri)
A brain computer interface (BCI) is a communication system that does not depend on the normal output pathways consisting of periphery nerves and muscles. BCI transforms mental intentions into control commands by analyzing the biomedical brain activity. The technique can be an interface to patients who totally losing volitional motor ability like amyotrophic lateral sclerosis (ALS). Thus, life quality of these type patients will be increased.In the past decade BCI technology has developed rapidly. In BCI applications classification accuracy and information transfer rate are two important issues. The goal in area of BCI research is to develop a method which has higher classification rate and brain computer interfacing data rate than existing methods. One method to boost classification accuracy is to improve the quality of input signal of a BCI system. Electrocorticographic (ECoG) recordings, derived from surface of the cortex, have the advantages of higher signal-to-noise ratio and better spatial resolution, and thus may be used as a feasible alternative of BCI signal source.In this thesis, it was studied on ECoG dataset which was obtained under different mental and visual tasks used in literature. In this data set, creating algorithms for contributing the classification of signals in different session situations is required. Feature extraction process is the main and also most difficult issue in BCI applications. In this work features are extracted from ECoG signals which have two different classes by means of wavelet transform. According to discovered features classification was done by using k-nearest neighbor (KNN), support vector machines (SVM) and linear discriminant analyses (LDA) classifier. All these studies actualized by considering the goal of to obtain higher classification rate and high brain computer interfacing data rate.
Benzer Tezler
- Beyin bilgisayar arayüzü uygulamalarina yönelik EEG işaretleri için öznitelik çikarma
Feature extraction for EEG signals towards brain computer interface applications
ÖNDER AYDEMİR
Yüksek Lisans
Türkçe
2008
BiyomühendislikKaradeniz Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DOÇ. DR. TEMEL KAYIKÇIOĞLU
- Düşünsel ve toplumsal değişim sürecinde Türk özgün baskı resim sanatı ve baskı resim sanatında soyut eğilimler
Turkish print art and abstract tendencies in print art in thought and social changing process
VESİLE AYKAÇ
Sanatta Yeterlik
Türkçe
1999
Güzel SanatlarMarmara ÜniversitesiGrafik Ana Sanat Dalı
DOÇ. DR. SEMA ILGAZ TEMEL
- Düşünsel sürecine etkileri bağlamında grafik tasarım ve kavramsal sanat ilişkisi
The relationship between graphic design and conceptual art in the context of its effects on the intellectual process
EMİN SANSARCI
Sanatta Yeterlik
Türkçe
2020
Güzel Sanatlarİstanbul Arel ÜniversitesiGrafik Tasarımı Ana Sanat Dalı
PROF. GÜLER ERTAN
- Düşünsel ve plastik bağlamda açık yapıt diyalektiği
The dialectics of open work in intellectual and plastic context
HAKAN ARSLAN