Geri Dön

Automatic feature extraction of eeg signals using neural networks and time-frequency analysis

Sinir ağları ve zaman-frekans analizi kullanılarak eeg sinyallerinin otomatik özellik çıkarımı

  1. Tez No: 483778
  2. Yazar: OMAR SAADI FATHI ALSHEAR
  3. Danışmanlar: YRD. DOÇ. DR. HASSAN SHARABATY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Türk Hava Kurumu Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

Elektroansefalografi (EEG), insanlarda bulunan birçok nörolojik bozukluğun teşhisinde kullanılan önemli bir araçtır. Görsel EEG analizi oldukça karmaşıktır ve doktorlar tarafından teslim edilmesi çok zaman gerektirmektedir. Bunun yanı sıra, manuel teşhis doktorun deneyimine ve bazı diğer faktörlere bağlı olarak bir doktordan diğer doktora farklılık göstermektedir. Zaman-frekans analizi ve Yapay Sinir Ağı (ANN) genellikle bu sinyallerin otomatik teşhisinde kullanılmaktadır. Bu çalışmada, Bonn Üniversitesi (UBonn) veri setine dayanılarak önişleme aşamasında EEG sinyallerinin ayrıştırılması için Kesikli Dalgacık Dönüşümü (DWT) kullanılmasını ve daha sonra sınıflandırma kararını vermek için yapay sinir ağının (ANN) 2 gizli katmanını kullanarak çıkarılmış özellikleri analiz edilmesini önermekteyiz. Önişleme analizi, Daubechies 4 (db4) ve Daubechies 8 (db8) olmak üzere iki dalgacık fonksiyonu kullanan MATLAB Dalgacık Araç Çubuğu üzerinden gerçekleştirilmiştir. Seçilen özelliklerin sınıflandırma doğruluğu üzerindeki etkisini incelemek için, özellik çıkarımı aşamasında 6 farklı durumu tartıştık. Nihai olarak, sonuçta ortaya çıkan vektörler Karar-Alma aşamasında Levenberg-Marquardt eğitim algoritması tarafından eğitilmiştir. Algoritmamızın performansı Karışıklık Matrisi eşitlikleri üzerinden değerlendirilmiştir. Db4 durumunda, önerilen en iyi senaryoların doğruluğu %98.50 olurken, db8 ise %98.75'lik bir doğruluk vermektedir.

Özet (Çeviri)

Electroencephalography (EEG) is an important tool for the diagnosis of many human neurological disorders. The visual EEG analysis is very complex and requires a lot of time to be delivered by doctors. Moreover, the manual diagnosis is differing from one doctor to another depending on the doctor experience and some other factors. Time-frequency analysis & Artificial Neural Networks (ANN) is generally used in the automatic diagnosis of these signals. In this work, we propose to use Discrete Wavelet Transform (DWT) to decompose the EEG signals in preprocessing stage depending on Bonn University (UBonn) Dataset, then to analyze the extracted features using 2 hidden layers of ANN in order to deliver the classification decision. The preprocessing analysis was achieved via MATLAB Wavelet Toolbox using two wavelet functions: Daubechies 4 (db4) and Daubechies 8 (db8). In order to study the impact of selected features on the classification accuracy, we have discussed 6 different cases in Feature extraction stage. Finally, the resulted vectors are trained by Levenberg-Marquardt training algorithm in the Decision-Making stage. The performance of our algorithm is evaluated via Confusion Matrix equations. In case of db4, the accuracy of the best proposed scenarios is 98.50% whereas db8 gives an accuracy of 98.75%.

Benzer Tezler

  1. Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti

    Lie detection from EEG signals using deep learning algorithms

    MUSA ASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET BAYKARA

  2. Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti

    Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods

    ZÜLFİKAR ASLAN

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  3. EEG ve EKG işaretlerinden örüntü tanıma uygulamaları ve karşılaştırılması

    Applications and comparison of pattern recognition from EEG and ECG signals

    ABDULNASIR YILDIZ

    Doktora

    Türkçe

    Türkçe

    2011

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA POYRAZ

  4. Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition

    Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım

    MASTANEH TORKAMANI AZAR

    Doktora

    İngilizce

    İngilizce

    2020

    BiyomühendislikSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

    Prof. Dr. SELİM SAFFET BALCISOY

  5. EEG sinyallerinde uyku iğciklerinin zaman ve frekans domeni özellikleri kullanılarak analizi

    Analysis of sleep spindles on EEG signals by using time and frequency domain features

    MEHMET DURSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SALİH GÜNEŞ