Geri Dön

Online adaptive classification of finger movements for brain computer interfaces

Beyin bilgisayar arayüzleri için el hareketlerinin çevrimiçi uyarlanır modellenmesi

PDF İndir

  1. Tez No: 573669
  2. Yazar: MOHAND LOKMAN AHMAD AL DABAG
  3. Danışmanlar: DR. ÖĞR. ÜYESİ NALAN ÖZKURT
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Yaşar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 110

Özet

Beyin bilgisayar arayüzü (BBA) çalışmaları insan ile makine arasında dolaylı bir bağlantı kurduğu için hem zorludur hem de ümit vadeder. Bu bağlantı genellikle girişimsel olmayan beyin sinyalleri algılama sistemi Elektroansefalografi (EEG) sinyallerinin makineyi yönetmek için doğru şekilde yorumlanması ile kurulur. EEG sinyalleri, beyin korteksindeki elektriksel aktiviteyi kafa derisi üzerinden dolaylı olarak kaydettiği için EEG sinyalleri, kötü kontak, güç hattı gürültüleri vb. gibi çok büyük miktarda bozulmadan mustariptir. Bu tezde, MATLAB ve C# programlama dilleri kullanılarak EMOTIV EPOC+ EEG cihazı tabanlı bir gerçek zamanlı uyarlanır BBA sistemi gerçeklenmiştir. Tezde önce EEG hareket sinyallerinden sağ ve sol parmak hareketlerinin ayrıştırılması için çevrimdışı bir algoritma geliştirilmesine odaklanılmıştır. Önişleme ve gürültü azaltmanın ardından, sistem kanalların çapraz ilintilerinin istatistiksel momentlerini sınıflandırmak için Çok Katmanlı Yapay Sinir Ağı (YSA) ve Destek Vektör Makineleri (DVM) kullanır. Etkin kanalların sağ ve sol lob kanallarıyla ilintileri daha ayırıcı öznitelikler oluşturuduğu gözlenmiştir. Sonuçlar YSA ve DVM'nin ortalamada %96 ile benzer başarıya sahip olduğunu gösterirken, DVM her zaman daha hızlıdır. Genetik algoritma ile istatistiksel özniteliklerden en ayırıcılar arandığında, parmak EEG sinyallerinin ayırılabilmesi için mod, en büyük ve standart sapmanın yeterli olduğu görülmüştür. Öznitelik seçiminen sonra da DVM, YSA ile benzer sınıflandırma oranlarına sahipken daha hızlı sonuç vermektedir. İkinci olarak MATLAB ve C# programlama dillerinin sırasıyla bilimsellik ve paralellik özellikleri kullanılarak gerçek zamanlı BBA yazılımı gerçeklenmiştir. Gerçek zamanlı sistem, çevrimdışı sistemde geliştirilen önişleme ve sınıflandırma yöntemlerini kullanarak kullanıcı arayüzü geliştirir. Bu sistem eş zamanlı işleme (üretici/tüketici) probleminin yaygın bir çözümünü iki aşamalı ardışık düzen benzetiminde kullanır. Bu da EEG hareket sinyallerinin gerçek zamanlı kaydı ve işlenmesi/sınıflandırılmasını ardışıl yerine interaktif çevrimiçi tepki zamanıyla işlenmesini sağlar.

Özet (Çeviri)

Studies on Brain computer interface (BCI) are challenging and promising since it establishes an indirect link between human and machine. This link depends on a correct interpretation of the brain activities to control the machine based usually on noninvasive brain acquisition system which is called Electroencephalography (EEG). Since EEG signals record the brain cortical activities indirectly through using electrodes placed on the scalp of the head, is seriously affected by different sources of noises such as bad electrode connection, power line.. etc. This thesis construct an online adaptive BCI system based on EMOTIV EPOC+ headset using MATLAB and C# programming languages. The study first focused on the offline study to propose an algorithm, which constructs discriminative cognitive features to classify the right/left fingers EEG movement signals. After preprocessing and denoising the EEG signals, the proposed method uses two classifiers (Multilayers perceptron network MLP and support vector machine SVM) to classify the features produced from ten statistical moments of cross-correlated channels. It is observed that cross-correlation of effective channels with right and left hemisphere channels constructs more discriminative features from the EEG signals. The classification results show that the two classifiers have competitive results (96% on average) to classify 13 subjects offline dataset. Also these results show, SVM is more effective than MLP in term of computation time. Genetic algorithm is also used to select the best features and it is found that only three statistics (mode, maximum, and standard deviation) are enough to discriminate the cognitive EEG signals. After feature selection, SVM classifier still has competitive classification rates with MLP and faster computation time than MLP. Therefore only, SVM classifier was used in the online phase. Secondly, an online BCI software is constructed using by imbedding the MATLAB algorithm in C# BCI platform to make use of the scientific and parallelism facilities of both programming languages. This online system is based on the enhanced method proposed in the offline phase. It used a very common solution to synchronizing the concurrent processing (producer/consumer problem) for simulating the functionality of the two stage pipeline system. This simulation provides a real time acquisition of EEG motor signal to the preprocessing and classification stage and provides an interactive online response time rather than the sequential processing system.

Benzer Tezler

  1. Tez No

    708875

    Evolving text stream classification with a novel neural ensemble architecture

    Yeni bir sinir topluluğu mimarisi ile gelişen metin akışı sınıflandırması

    POUYA GHAHRAMANIAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FAZLI CAN

  2. Tez No

    642057

    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. Tez No

    484041

    Neural network-based adaptive myoelectric signal classification via utilization of entropy history

    Entropi geçmişinden yararlanarak sinir ağı temelli uyarlanabilir miyoelektrik işaret sınıflandırması

    KÜBRA NAZLIHAN IŞIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET KOCATÜRK

  4. Tez No

    381422

    Çevrimiçi öğrenme ortamındaki etkileşim verilerine göre öğrencilerin akademik performanslarının veri madenciliği yaklaşımı ile modellenmesi

    A data mining approach to students' academic performance modeling in online learning environment based on their interaction data

    GÖKHAN AKÇAPINAR

    Doktora

    Türkçe

    Türkçe

    2014

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı

    PROF. DR. ARİF ALTUN

  5. Tez No

    401678

    Learning in extreme conditions: Online and active learning with massive, imbalanced and noisy data

    Başlık çevirisi yok

    ŞEYDA ERTEKİN

    Doktora

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolThe Pennsylvania State University

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. C. LEE GILES

Geri Dön