Yukarı–aşağı imleç hareketine ilişkin EEG kayıtlarının ayrık dalgacık, KNN ve DVM ile sınıflandırılması
Classification of up-down cursor movements' EEG records with discrete wavelet transform, KNN and SVM methods
- Tez No: 470106
- Danışmanlar: DOÇ. DR. MEHMET SİRAÇ ÖZERDEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Bu çalışmada, Yukarı-Aşağı imleç hareketlerine ilişkin Elektroensefalogram (EEG) verilerinin sınıflandırılması amaçlanmıştır. 2003 yılındaki BCI Competition II yarışmasında sunulan Data set Ia veri kümesi kullanılmıştır. Çalışmada öncelikle en etkin kanal belirlenmiştir. En etkin kanal belirleme sürecinde, işaret bütün olarak alınmış ve Ayrık Dalgacık Dönüşümü (ADD) ile farklı (3., 4., 5. ve 6.) seviyeler için dalgacık katsayıları elde edilmiştir. Her seviyenin ayrı ayrı istatistiksel parametreleri (toplam, varyans, enerji, entropi, maksimum, minimum, ortalama ve standart sapma) hesaplanmıştır. Her parametre ayrı ayrı k-En Yakın Komşu (k-NN) ile sınıflandırılmıştır. En iyi başarımın 3. seviyede toplam ve ortalama parametreleri ile elde edildiği görülmüştür. Buna göre en etkin kanalın A1 olduğu belirlenmiştir. İkinci aşamada belirlenen kanal üzerinden, yukarı-aşağı imleç hareketine ilişkin öznitelik çıkarma ve sınıflandırma işlemi yapılmıştır. EEG işaretlerinden üç farklı yaklaşım uygulanarak öznitelikler elde edilmiştir. Bu yaklaşımlar aşağıda özetlenmiştir. Birinci yaklaşımda, farklı (3., 4., 5. ve 6.) seviyeler için yaklaşım katsayıları elde edilmiştir. Her seviyenin ayrı ayrı ortalama değer ve maksimum mutlak değerleri hesaplanmış ve bu değerler bir vektörde birleştirilerek öznitelik vektörü olarak kullanılmıştır. Bu vektörler k-NN ve Destek Vektör Makinaları (DVM) ile sınıflandırılmıştır. Bu sınıflandırma işlemi, farklı zaman aralıkları için denenmiş ve en yüksek başarımın DVM ile elde edildiği görülmüştür. İkinci yaklaşımda, alt bantlardan yeniden oluşturulan yukarı imleç hareketi (YİH) ve aşağı imleç hareketi (AİH) işaretlerinin eğim bilgisinin (1-400 örnek aralığı) öznitelik olarak kullanılabileceği görülmüştür. Bu eğim en iyi 8. seviyede gözlemlenmiştir. Yeniden oluşturulan işaret 3 eşit bölüte ayrılmıştır. Bu bölütlerden; max(Bölüt1)/max(Bölüt2) ve max(Bölüt2)/max(Bölüt3) değerleri birleştirilerek öznitelik olarak kullanılmıştır. Bu vektörler k-NN ve DVM ile sınıflandırılmıştır. Bu sınıflandırma işlemi, farklı örnek aralıkları için denenmiş ve en yüksek başarımın DVM ile elde edildiği görülmüştür. Üçüncü yaklaşımda, yukarıda sözü edilen birinci ve ikinci öznitelikler birleştirilerek (Hibrid yaklaşım) nihai öznitelik vektörleri olarak kullanılmıştır. Elde edilen nihai öznitelik vektörleri k-NN ve DVM ile sınıflandırılmıştır. Bu sınıflandırma işlemi, farklı örnek aralıkları için denenmiş ve en yüksek başarımın DVM ile elde edildiği görülmüştür. Ayrıca Hibrid yaklaşımda tüm örnek aralıkları çalışılmış ve başarımın nasıl değiştiği araştırılmıştır. Tüm örnek aralığının k-NN ile analizi yapıldığında, en yüksek başarımın %93.52 ile 2. saniyede elde edildiği görülmüştür. Tüm örnek aralığının DVM ile analizi yapıldığında ise, en yüksek başarımın %94.88 ile 1.55. saniyede elde edildiği görülmüştür.
Özet (Çeviri)
In this study, it is aimed to classify Electroencephalogram (EEG) data related to Up-Down cursor movements. Data set Ia presented in the 2003 BCI Competition II was used. Firstly the most effective channel was determined. In the most efficient channel estimation process, the signal was taken as a whole and the wavelet coefficients for the different (3rd, 4th, 5th and 6th) levels were obtained by Discrete Wavelet Transform (DWT). Statistical parameters (summation, variance, energy, entropy, maximum, minimum, mean and standard deviation) were calculated for each level separately. Each parameter related to the different levels is classified by k-Nearest Neighbor (k-NN), separately. It has been seen that the best performance is obtained with summation and average parameters at level 3. Accordingly, it has been determined that the most efficient channel is A1. In the second step, feature extraction and classification related to up-down cursor movement were performed over the channel specified. Features were extracted from EEG signals by applying three different approaches. These approaches were summarized below. In the first approach, approximate coefficients for the different (3rd, 4th, 5th and 6th) levels were obtained. The average value and maximum absolute value of each level were calculated separately, and these values are combined into one vector and used as the feature vector. These feature vectors were classified by k-NN and Support Vector Machines (SVM). This classification process has been tried for different time intervals and the highest performance was obtained with SVM. In the second approach, it is seen that the slope information (1-400 sample interval) of the reconstructed up cursor movement (UCM) and down cursor movement (DCM) can be used as a feature. This slope is best observed at level 8. The reconstructed signal was divided into 3 equal parts. From these segments; max(Segment1) / max(Segment2) and max(Segment2) / max(Segment3) have been combined and used as feature vectors. These vectors were classified by k-NN and SVM. This classification process has been tried for different sample intervals and the highest performance was obtained by SVM. In the third approach, the above-mentioned first and second features were combined (Hybrid approach) and used as the final feature vectors. These final feature vectors obtained were classified by using k-NN and SVM. This classification process has been tried for different sample intervals and the highest performance is obtained with SVM. In addition, all sample intervals were studied in the hybrid approach and it was investigated that how the performance was changed. When the all sample interval was analyzed with k-NN, it was seen that the highest performance was achieved at 93.52% at 2 seconds. When the all sample interval is analyzed with SVM, it was seen that the highest performance was achieved at 94.88% at 1.55 seconds.
Benzer Tezler
- K-en yakın komşuluk algoritmasını kullanarak EEG tabanlı kişi tanıma
EEG-based person identification using K-nearest neighborhood algorithm
MESUT ÜÇÜNCÜ
Yüksek Lisans
Türkçe
2019
BiyomühendislikKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER AYDEMİR
- Feature extraction and classification of electroencephalographic (EEG) signals towards the use of brain-computer interface in cognitive applications
Bilişsel uygulamalarda beyin-bilgisayar arayüzünün kullanımına yönelik özellik çıkarımı ve elektroensefalografik (EEG) sinyallerin sınıflandırılması
SEZİN TUNABOYLU
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EFENDİ NASİBOĞLU
- Development of powered ankle prosthesisclassification algorithms for step-up vs.step-down movements using machinelearning fed exclusively by surfaceelectromyography
Yüzey elektromiyografisi ile özel olarakbeslenerek ve yapay öğrenme yöntemlerikullanarak yukarı-adım ve aşağı-adımhareketleri için aktif bilek protezisınıflandırma algoritmalarınıngeliştirilmesi
ONUR SÜRHAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. CAN ALİ YÜCESOY
- Çoklu lojistik regresyon ve k-en yakın komşu yöntemleri ile BİST 100 endeks getiri yönünün tahmini
Prediction of the BIST 100 index direction with multiple logistic regression and k-nearest neighbors methods
BEGÜM NUR ALKIŞ
Yüksek Lisans
Türkçe
2017
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. GÜLDER KEMALBAY
- Yüksekliği ayarlanabilir traktör çeki demiri tasarımı ve imalatı
Design and manufacturing of height adjustable drawbar for tractor
HALİL KOY
Yüksek Lisans
Türkçe
2022
ZiraatÇukurova ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET İNCE