Geri Dön

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

PDF İndir

  1. Tez No: 470106
  2. Yazar: ÖMER EMHAN
  3. Danışmanlar: DOÇ. DR. MEHMET SİRAÇ ÖZERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Tez No

    601071

    K-en yakın komşuluk algoritmasını kullanarak EEG tabanlı kişi tanıma

    EEG-based person identification using K-nearest neighborhood algorithm

    MESUT ÜÇÜNCÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyomühendislikKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖNDER AYDEMİR

  2. Tez No

    491127

    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

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EFENDİ NASİBOĞLU

  3. Tez No

    748884

    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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. CAN ALİ YÜCESOY

  4. Tez No

    495288

    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

    Türkçe

    2017

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. GÜLDER KEMALBAY

  5. Tez No

    741510

    Yüksekliği ayarlanabilir traktör çeki demiri tasarımı ve imalatı

    Design and manufacturing of height adjustable drawbar for tractor

    HALİL KOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    ZiraatÇukurova Üniversitesi

    Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET İNCE

Geri Dön