Geri Dön

Probabilistic graphical models for brain computer interfaces

Probabilistic graphical models for brain computer interfaces

PDF İndir

  1. Tez No: 377417
  2. Yazar: JAİME FERNANDO DELGADO SAA
  3. Danışmanlar: DOÇ. DR. MÜJDAT ÇETİN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 115

Özet

Beyin bilgisayar arayüzleri (BBA), motor hareketi yeteneğini kaybetmiş kişiler için yeni bir iletişim yolu kurmayı amaçlayan ve bu kişilerin bilgisayar sistemleri üzerinden çevreyle iletişim kurmalarına olanak sağlayan sistemlerdir. BBA'lar kafa derisi üzerine takılan (elektroensefalografi, EEG) veya direk olarak beyin korteksine yerleştirilen elektrotlar (elektrokortikografi, ECoG) ile kaydedilen çeşitli fiziksel olgu gruplarını kullanırlar. En yaygın kullanılan olgu, beynin özel bölümlerinde dış olaylara cevap olarak oluşan Olaya İlişkin Potansiyeller (OİP) aktivitesidir. Bunlar içinde, bir cevap tipi olan P300 en çok kullanılan olgudur. P300'ün kullanım alanı bir görsel uyaran dizisinin sunulmasına göre beyinde oluşan cevabı kullanan heceleyici uygulamalarıdır. Bir başka sıkça kullanılan olgu ise, kişinin iki veya daha çok sayıdaki isteğini ayırt etmek için kullanılabilecek, hayali motor hareketlerinin gerçekleştirilmesi sırasında oluşan beyin ritimlerinin eş zamanlaması veya eş zamanlama bozulumudur. En basit senaryoda, bir BBA sistemi farklı görevlerin yapılması sırasındaki EEG ritimlerindeki güç farklılıklarını hesaplar. Bu farklılıklara göre, BBA hangi görevin (ör. sağ veya sol el hayali motor hareketi) yapıldığına karar verir. Güncel yaklaşımlar, her olası sınıf için beyin sinyallerindeki güç değerlerinin dağılımını öğrenen makine öğrenmesi tekniklerine dayanmaktadır. Bu tezde, EEG ve ECoG kayıt yöntemleri kullanılarak beyin bilgisayar arayüzleri için olasılıksal grafiksel model kullanımını öneriyoruz. OİP sırasında, özellikle P300 tabanlı heceleyicilerde, sistemin performansını belirgin olarak arttırmak için dil modellerini kelime seviyesinde birleştirmeyi öneriyoruz. Önerdiğimiz sistem, parametreleri etkin bir şekilde öğrenilebilen bütünlenmiş bir yapı içinde n-gram tabanlı dil modellerini hesaba katan farklı yöntemlerin de birleştirilmesine izin veriyor. Hayali veya gerçek motor hareketi görevinin gerçekleştirilmesi bağlamında, sinyalin zamansal yapısını dikkate alan teknikler öneriyoruz. parametresiz Bayes saklı Markov modelleri gibi farklı frekans bantlarındaki beyin sinyallerinin zamansal dinamiklerini modelleyen stokastik işlemler, motor görevlerinin gerçekleştirilmesi sırasındaki beyin durumlarının sayısının ve beyin sinyallerinin dağılımının modellenmesinde kullanılan öğe sayısının seçimi sorununu çözmek için sunuluyor. Aynı düşünce şekliyle, eş zamanlamalı motor görevlerinin sınıflandırılması için saklı şartlı rastgele alanlar öneriliyor. Saklı durumlar ile şartlı rastgele alanlarının ayrımsal gücünün birleşiminin, hayali motor hareketlerinde sınıflandırıcı performansını arttırdığı görülüyor. Eş zamanlı olmayan BBA'lar bağlamında, beyin sinyallerinin üretimi ile bağlantılı içsel zamansal dinamiklerini ve farklı ansal görevlerin gerçekleştirilmesine bağlı olarak dışsal beyin dinamiklerini modelleme yeteneğine sahip gizli dinamik koşullu rastgele alanlar tabanlı bir yöntem öneriyoruz. Son olarak, eş zamanlı olmayan BBA'lar bağlamında, ECoG verisinden parmak hareketlerinin devamlı olarak sınıflandırılması için ayrımsal bir grafiksel model sunuluyor. Sınıflandırma aşamalarında beyin sinyallerinin zamansal dinamiklerinin birleşiminin, farklı ansal durumların sınıflandırılma performansını belirgin bir şekille arttırarak kişi-çevre etkileşiminin daha etkin olmasının sağlanabileceğini gösteriyoruz.

Özet (Çeviri)

Brain computer interfaces (BCI) are systems that aim to establish a new communication path for subjects who suffer from motor disabilities, allowing interaction with the environment through computer systems. BCIs make use of a diverse group of physiological phenomena recorded using electrodes placed on the scalp (Electroencephalography, EEG) or electrodes placed directly over the brain cortex (Electrocorticography, ECoG). One commonly used phenomenon is the activity observed in specific areas of the brain in response to external events, called Event Related Potentials (ERP). Among those, a type of response called P300 is the most used phenomenon. The P300 has found application in spellers that make use of the brain's response to the presentation of a sequence of visual stimuli. Another commonly used phenomenon is the synchronization or de-synchronization of brain rhythms during the execution or imagination of a motor task, which can be used to differentiate between two or more subject intentions. In the most basic scenario, a BCI system calculates the differences in the power of the EEG rhythms during execution of different tasks. Based on those differences, the BCI decides which task has been executed (e.g., motor imagination of left or right hand). Current approaches are mainly based on machine learning techniques that learn the distribution of the power values of the brain signals for each of the possible classes. In this thesis, making use of EEG and ECoG recording methods, we propose the use of probabilistic graphical models for brain computer interfaces. In the case of ERPs, in particular P300-based spellers, we propose the incorporation of language models at the level of words to increase significantly the performance of the spelling system. The proposed framework allows also the incorporation of different methods that take into account language models based on n-grams, all of this in an integrated structure whose parameters can be efficiently learned. In the context of execution or imagination of motor tasks, we propose techniques that take into account the temporal structure of the signals. Stochastic processes that model temporal dynamics of the brain signals in different frequency bands such as non-parametric Bayesian hidden Markov models are proposed in order to solve the problem of selection of the number of brain states during the execution of motor tasks as well as the selection of the number of components used to model the distribution of the brain signals. Following up on the same line of thought, hidden conditional random fields are proposed for classification of synchronous motor tasks. The combination of hidden states with the discriminative power of conditional random fields is shown to increase the classification performance of imaginary motor movements. In the context of asynchronous BCIs, we propose a method based on latent dynamic conditional random fields that is capable of modeling the internal temporal dynamics related to the generation of the brain signals, and external brain dynamics related to the execution of different mental tasks. Finally, in the context of asynchronous BCIs a model based on discriminative graphical models is presented for continuous classification of finger movements from ECoG data. We show that the incorporation of temporal dynamics of the brain signals in the classification stages increases significantly the classification accuracy of different mental states which can lead to a more effective interaction between the subject and the environment.

Benzer Tezler

  1. Tez No

    692422

    Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  2. Tez No

    442218

    Application of copulas in graphical models for inference of biological systems

    Biyolojik ağların tahminindeki grafiksel modellemelerde kopulaların kullanımı

    DAMLA DOKUZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. VİLDA PURUTÇUOĞLU GAZİ

  3. Tez No

    389437

    Interactive object extraction using probabilistic graphical models

    Olasılıksal grafik modeller kullanarak etkileşimli nesne çıkarma

    ALİ VOLKAN ATLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    DOÇ. DR. İLKER BAYRAM

  4. Tez No

    632505

    Maintenance optimization of multiple component systemsusing probabilistic graphical models

    Olasılıklı grafıksel modellerle çok bileşenli sistemlerin bakım en iyilemesi

    İPEK KIVANÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TANER BİLGİÇ

    DR. ÖĞR. ÜYESİ DEMET ÖZGÜR ÜNLÜAKIN

  5. Tez No

    301661

    Generalized tensor factorization

    Genelleştirilmiş tensor ayrışımı

    YUSUF KENAN YILMAZ

    Doktora

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ TAYLAN CEMGİL

Geri Dön