Geri Dön

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

  1. Tez No: 491127
  2. Yazar: SEZİN TUNABOYLU
  3. Danışmanlar: PROF. DR. EFENDİ NASİBOĞLU
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
  6. Anahtar Kelimeler: EEG, BCI, özellik çıkarma, sınıflandırma, K-en yakın komşu algoritması, CxK- en yakın komşu algoritması, EEG, BCI, feature extraction, classification, k-nearest neighbor algorithm, CxK-nearest neighbor algorithm
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 108

Özet

Bu tez çalışmasında, bilgisayar imleçinin düşünce gücüyle hareket ettirilmesi için beyin-bilgisayar arayüzü geliştirilmiştir. EEG sinyalleri, Emotive Neuroheadset cihazının c# diliyle geliştirdiğimiz programa entegre edilerek elde edilmiştir. Düşünce gücüyle imleçe yukarı, aşağı, saga, sola ve hareket etmeme komutlarını yaptırma üzerinde çalışılmıştır. Öncelikle katılımcıların beyin sinyallerini control edebilmesi için eğitilmeleri gerekmektedir. Eğitim için komutların görsel resimlerini içeren bir ekran geliştirilmiştir. Katılımcılar 3 farklı günde eğitim programına tabi tutulmuştur. Her bir eğitimde görsel uyaranları içeren uygulama 24 kere gösterilerek elde edilen veriler sonraki çalışmalar için kaydedilmiştir. EEG verileri kompleks ve ham halinden bilgi çıkarılması zordur. Ayrıca, göz hareketleri, kas harketleri ve ortam sesleri EEG sinyallerinde gürültüye neden olmaktadır. Bu nedenle ön işleme aşamasında medyan filtreleme ve normalizasyon yöntemleri kullanılmıştır. Ön işleme işleminden sonra spesifik özellikler her bir komut için çıkarılmıştır. Özellik çıkarmak için MFDFA ve FFT yöntemleri kullanılmıştır. MFDFA yöntemi ile elde edilen dağılım değeleri ve FFT yöntemi ile elde edilen beta sinyalleri özellik olarak kullanılmıştır. Böylece büyük veri setinden daha küçük veri seti oluşturularak boyut indirgeme yapılmıştır. Son olarak, çıkarılan özellikler en yakın komşu algoritmalarıyla sınıflandırılmıştır. Sınıflandırma yöntemi olarak basit fakat örüntü sınıflandırma iyi performans değerlerine sahip olan k-en yakın komşu yöntemi ile EEG sinyal örüntülerinin sınıflandırılmasında daha önce kullanılmamış olan CxK en yakın komşu yöntemi kullanılmıştır ve literatürdeki çalışmalarla karşılaştırıldığında kabul edilebilir sonuçlar elde edilmiştir.

Özet (Çeviri)

In this thesis, the brain computer interface system is developed for the cursor movement through the cognitive signals. The EEG data is handled from the Emotiv Neuroheadset device via our developed program written in c# language. We have worked on classification of five cognitive tasks; up, down, left, right and no movement. Before the movement of the cursor, the participants need to be trained to control the brain signals. In the training phase, the training screen is designed to consist of the visual stimuli. The participants have trained the program three times in different days and each session includes 24 trainings. EEG signals are very complex and the extracting information is difficult. Also, EEG signals has many artifacts occurred by the eye movement, muscle movement and the noise in environment. Therefore, median filtering and the normalization method are used in the preprocessing phase. Then the specific features for all cognitive tasks are extracted by the multifractal detrended fluctuation analysis and the fast Fourier transform. The Ph values and beta signals calculated from the MFDFA and FFT methods respectively, are used as features. Finally these features are classified by the nearest neighbor algorithms. Nearest neighbor (NN) algorithms are simple but effective methods for performing pattern classification. The CxK nearest neighbor algorithm is firstly used for cognitive EEG signal classification in this thesis and this method has given acceptable results when compared with the other studies in literature.

Benzer Tezler

  1. Obtaining EEG-based features of mental states with brain-computer interfaces using machine learning

    Makine öğrenmeyi kullanarak beyin-bilgisayar arayüzleri ile zihinsel durumların EEG tabanlı özelliklerinin elde edilmesi

    AHSAN MUMTAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. IMAN ELAWADY

  2. 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

  3. Beyin bilgisayar arayüzü uygulamalarina yönelik EEG işaretleri için öznitelik çikarma

    Feature extraction for EEG signals towards brain computer interface applications

    ÖNDER AYDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    BiyomühendislikKaradeniz Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    DOÇ. DR. TEMEL KAYIKÇIOĞLU

  4. A simple approach to detect alcoholics using electroencephalographic signals

    Elektroensefalografik sinyaller kullanarak alkolikleri tespit etmek için basit bir yaklaşım

    NAHİT GÖKŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAMİ ARICA

  5. Derin öğrenme yöntemleri kullanarak EEG işaretlerinden uyku apne sendromu tespiti ve sınıflandırılması

    Detection and classification of sleep apnea syndrome from EEG signals using deep learning methods

    KÜBRA TANCI

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT HEKİM