Biyomedikal işaretlerin sınıflandırılması
Classification of biomedical signals
- Tez No: 320875
- Danışmanlar: YRD. DOÇ. DR. HASAN DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: Türkçe
- Üniversite: Namık Kemal Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Bu tezde, PhysioNet veritabanından alınan elektroensefalografi (EEG) işaretleri için, açık kaynak kodlu programlar kullanılarak öznitelikler elde edilmiş ve sara krizi tespit edilmeye çalışılmıştır. EEG işaretlerine ait spektral entropi, Hjorth parametreleri, tekil değer ayrıştırma entropisi, Fisher bilgisi, yaklaşık entropi, Hurst katsayısı, örnek entropisi, Petrosian fraktal boyutu, Katz fraktal boyutu, Sevcik fraktal boyutu ve Hjorth fraktal boyutu hesaplanarak, yapay sinir ağları, destek vektör makineleri ve en yakın k-komşu algoritması ile sınıflandırılmıştır. Aynı işlemler EEG işaretlerinin dalgacık katsayıları için de tekrar edilmiştir. Böylelikle her bir sınıflayıcı ve parametre için en iyi durumlar elde edilmeye çalışılmıştır.
Özet (Çeviri)
In this thesis, features for electroencephalography (EEG) signals obtained from PhysioNet database are extracted using open source coded programs and epileptic sezures are tried to detect. Spectral entropy, Hjorth parameters, singular value decomposition entropy, Fisher information, approximate entropy, Hurst exponent, sample entropy, Petrosian fractal dimension, Katz fractal dimension, Sevcik fractal dimension and Hjorth fractal dimension of the EEG signals are calculated and they are classified by artificial neural networks, support vector machines and k-nearest neighbor algorithm. The same processes are repeated for the wavelet coefficients of the EEG signals. Thus, best results are tried to achieve for each classifier and parameter. Open source coded programs are used for extracting features and classifying.
Benzer Tezler
- Biyomedikal işaretlerin sınıflandırılması için akıllı tekniklerin Labview ortamında gerçeklenmesi
Realization of intelligent techniques for classification of biomedical signals in the Labview
DUYGU KAYA
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA TÜRK
- Biyomedikal işaretlerin yeni bir adaptif aktivasyon fonksiyonlu yapay sinir ağı ile sınıflandırılması
Classification of biomedical signals via a new artifical neural network with adaptive activation function
GÜLAY TEZEL
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YÜKSEL ÖZBAY
- Elektronik steteskop ile mitral kapak darlığının sınıflandırılması
Classification mitral stenosis wi̇th electroni̇c stethoscope
MUHAMMET BAKİ
Yüksek Lisans
Türkçe
2013
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEMRA İÇER
- Konuşma olmayan sinyallerin evrişimsel sinir ağları tabanlı yaklaşımlar ile sınıflandırılması
Classification of non-speech signals with convolutional neural network based approaches
FATİH DEMİR
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Classification methods for motor imagery based brain computer interfaces
Motor hareket hayali tabanlı beyin bilgisayar arayüzleri için sınıflandırma metotları
AYHAN YÜKSEL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ