İki serbestlik dereceli hareket kontrolü için zihinsel görev sınıflandırma tabanlı beyin- bilgisayar arayüzü tasarımı
Mental task classification based brain-computer interface design for 2 dof movement control
- Tez No: 443839
- Danışmanlar: YRD. DOÇ. DR. TÜRKER TEKİN ERGÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Nörobilim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 169
Özet
Bu tezde, bilgisayar ortamında oluşturulmuş bir nesnenin, alfabenin tersten sayılması, küpün zihinsel olarak döndürülmesi, sağ el hareketini düşünülmesi, sol kol hareketinin düşünülmesi ve matematiksel işlemlerin yapılması ile iki eksen üzerinde, sağ, sol, yukarı ve aşağı yönlerde hareket etmesini sağlayan bir beyin-bilgisayar arayüzü tasarlanmış ve bu beyin-bilgisayar arayüzü aracılığı ile gerçek-zamanda, verili yörüngelerin takibi yapılmıştır. Öncelikle, kullanıcıdan alınan EEG sinyalleri, Emotiv şirketi tarafından üretilen EPOC kulaklığı ile gerçek-zamanlı olarak kaydedilmiştir. Başlık, beynin her iki yarımküresinde yedişer adet olmak üzere toplam 14 kanal içermektedir. Kaydedilen bu veriler Matlab ortamına aktarılıp sırasıyla filtreleme, öznitelik çıkartma, öznitelik indirgeme, öznitelik seçimi, sınıflandırma ve kontrol sinyaline kodlama işlemlerinden geçirilmiştir. Veriler kaydedilirken“Matlab&Simulink”ortamı ile etkileşen bir beyin-bilgisayar arayüzü olan“Simulink EEG Importer”programı kullanılmıştır. Bu sayede, EPOC kulaklığından gelen, gerçek-zamanlı EEG verileri“Matlab&Simulink”simülasyon modeline aktarılabilmektedir. Simulink bloğu, EEG datasını bir vektör formatında almakta ve sonraki sinyal işleme aşamaları için Simulink ortamında tutmaktadır. Örnekleme frekansı 128 Hz.'dir. Ham data, artefakların ve gürültülerin ortadan kaldırılabilmesi için, öncelikle 50 Hz.'lik“bant durdurucu”filtreden, sonra da 0.5-45 Hz.'lik kesim frekanslarına sahip 6.dereceden“Butterworth bant-geçiren”filtreden geçirilerek filtrelenmiştir. Özniteliklerin çıkartılmasında, 7. seviyede“Daubechies-4”dalgacık fonksiyonu tabanlı dalgacık paketi ayrıştırması ve“Symlet-2”dalgacık fonksiyonu tabanlı dalgacık filtre bankası metotları uygulanmıştır. Çıkartılan özniteliklerin boyutu, temel bileşenler analizi ile indirgenmiştir. Öznitelik vektörleri, geri yayılım algoritmasını kullanan, çok katmanlı algılayıcı yapay sinir ağı ile sınıflandırılmıştır. Zihinsel görevler gerçekleştirilirken, her bir zihinsel görev için 0-30 saniye aralığında 40 epokluk eğitim datası ve 10 epokluk test datası toplanmıştır. Daha sonra bu veriler 1'er saniyelik parçalara bölünerek toplamda 14(sensörkanalı) × [4(görev) ∗ 40(epok) ∗ 31(saniye)] eğitim veri matrisi ve 14(sensörkanalı) × [4(görev) ∗ 10(epok) ∗ 31(saniye)] test veri matrisi elde edilmiştir. Yapay sinir ağı için seçilmiş parametreler; 190 nöronlu 1 gizli katman, 0.03'lük öğrenme oranı ve 0.2'lik momentum oranı, performans kriteri“mse”olarak belirlenmiş, eğitim algoritması,“ölçekli paylaşım gradyanı”olarak seçilmiştir. Eğitim seti örneğinin %60'ı eğitim, %20'si doğrulama ve %20'si de test için kullanılmıştır. Bu sınıflandırma sonucunda, beyin-bilgisayar arayüzü yörünge takibi kontrolü için giriş sinyalleri elde edilmiştir. Yörünge takibi kontrol stratejisi,“sağ-sol-yukarı-aşağı”yönlerde hiyerarşik olarak yapılmıştır. Deneysel testler, verilen referans yörüngenin takibini sağlayacak şekilde gerçekleştirilmiştir. Dalgacık filtre bankası öznitelik çıkartma metodu ile gerçekleştirilen sınıflandırmada, en iyi eğitim ve test veri kümeleri için, kapalı-çevrimde %89.6'lık, açık-çevrimde ise %81.5'lik sınıflandırma doğruluğu elde edilmiştir. Doğruluk değerini arttırmak için, parçacık sürü optimizasyonuna dayalı öznitelik seçimi uygulanmıştır. Bunun sonucunda açık-çevrim sınıflandırma doğruluğu %82.94 ve Kappa değeri 0.776 olarak elde edilmiştir. Beyin-bilgisayar arayüzü yörünge takibine ilişkin rekognisyon performansı da 4 zihinsel görev için %81.38 olarak elde edilmiştir. Çoklu zihinsel görev değiştirilmesine dayalı, gerçek-zamanlı yörünge takibine ilişkin“normalize edilmiş hatanın karesinin ortalamasının karekökü”değeri, 0.2818 olarak hesaplanmıştır. Ayrıca, çoklu zihinsel görev değiştirilmesi yolu ile, belirlenen hedeflere ulaşılmıştır.
Özet (Çeviri)
In this thesis, brain-computer interface, which controls the movement of an object created in a software environment in two axis through right, left, up and down directions via four mental tasks (reciting the alphabet backwards, imagination of rotation of a cube/motor imagery of right hand movement, motor imagery of left arm movement, performing mathematical operations) has designed and the trajectroy tracking in real-time has been performed. Primarily, EEG signals acquired from user was recorded with Emotiv-EPOC neuroheadset in real-time. The headset consist of 14 electrode channel, which is located equally in both of two hemisphere. The recorded data were transfered into the Matlab environment and filtering, feature extraction, feature reduction, feature selection, classification, decoding into control signal, processes have been realized, respectively. While recording data,“Simulink EEG Importer”program, which interacts with the“Matlab&Simulink”was used. By the help of this program, EEG data obtained from EPOC neuro-headset can be directed real-time into the“Matlab&Simulink”simulation model. The simulink model receives the EEG data in vector format and holds in Simulink environment for later signal processing. The sampling frequency is 128 Hz. The raw data has been filtered by using a bandstop filter with a 50 Hz. cut-off frequency and a Butterworth bandpass filter with 0.5-45 Hz. cut-off frequency, in order to eleminate artifacts and noise. In feature extraction process,“Daubechies-4”wavelet function based seventh level“Wavelet Packet Decomposition”and“Symlet-2”wavelet function based seventh level“Wavelet Filter Bank”methods were applied. The dimensions of the extracted features were reduced via Principal Component Analysis. The feature vectors have been classified by using multilayer percepron neural network with back propagation algorithm. While performing mental tasks, 40 epoch training data and 10 epoch test data were collected in 30 seconds for each epoch and mental task. After that, these data split up into 1 second parts. In total, 14(sensor channel) × [4(task) ∗ 40(epoch) ∗ 31(second)] training and 14(sensor channel) × [4(task) ∗ 10(epoch) ∗ 31(second)] test data matrices have been obtained. The selected parameters for artificial neural network are; 1 hidden layer with 190 neurons, 0.03 learning rate, 0.2 momentum rate, performance measure“mse”, training algorithm,“scaled conjugent gradient”. The training set were divided into 60% for training part, 20% for validation part, 20% for test part. In consequence of this classification, the input signals to control the brain-computer interface were obtained. The trajectory tracking control strategy was done in the“right-left-up-down”directions hierarchically. Experiments have been performend in order to track the given reference trajectory. Offline and online classification accuracies were obtained with wavelet filter bank method for best training and test data set as 89,6%, 81.5%, respectively. In order to increase the classification accuracy, Particle Swarm Optimization based feature selection method was applied. As a result of this process, online classification accuracy and Kappa value were obtained as 82.94%, 0.776, respectively. The real-time recognition performance for BCI related to the trajectory tracking for 4 mental task has been achieved as %81.38. The normalized root mean square error value for the real-time trajectory tracking via performing multi task switching, have been evaluated as 0.2818. It has been reached by using multi-mental task switching to the desired targets.
Benzer Tezler
- A simulation study on impedance control of two-degree-of-freedom robotic manipulators
İki serbestlik dereceli robotik manipülatörlerin empedans kontrolü üzerine bir benzetim çalışması
ECEN ERÇİN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGAY KARA
- Yapay sinir ağları ile robotlarda hareket kontrolü
Motion control of robots with artificial neural networks
HAKAN ARSLAN
Doktora
Türkçe
1999
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. AHMET KUZUCU
- Two degrees of freedom fork mount actuating mechanism design for optical telescope
Optik teleskoplar için iki serbestlik dereceli çatal kurgu tasarımı
YAŞAR YILDIRAN
Yüksek Lisans
İngilizce
2015
Mekatronik MühendisliğiAtılım ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEDAT NAZLIBİLEK
- Üç serbestlik dereceli robotik kolun kartezyen uzayda empedans kontrolü
Impedance control of 3 DOF robotic arm in cartesian space
AYBERK BEYHAN
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN GÖKHAN ADAR
- Modelling, identification and passivity-based control of 6 dof industrial robot
6 serbestlik dereceli endüstriyel robotun modellenmesi, tanılanması ve pasiflik tabanlı kontrolü
MEHMET ALİ AKBULUT
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEKİ YAĞIZ BAYRAKTAROĞLU