Geri Dön

Makine öğrenmesi yöntemleri kullanılarak EEG verisinden zihinsel dikkat durumu tespiti

Determination of mental attention state with EEG based bci usingmachine learning methods

  1. Tez No: 574341
  2. Yazar: MURAT KAYA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÇİĞDEM ACI, DOÇ. DR. YURİY MİSHCHENKO
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 47

Özet

Teknolojideki son gelişmeler insan katılımcıların rolünün pasif gözlemlere indirgendiği yeni çalışma ortamları yaratmaktadır. Bu tür ortamlar, verimlilik ve yaşam tarzında yeni sınırlar açarken aynı zamanda pasif kontrol görevleri sırasında bireylerin odaklanma ve konsantrasyonlarını sürdürememeleriyle ilgili tehlikeler de yaratmaktadır. Bu çalışmada, elektroensefalografik (EEG) beyin aktivitesi görüntüleme ve makine öğrenimi veri analizi yöntemlerini kullanarak bireylerin zihinsel dikkat durumlarını (odaklanmış, dalgın ve uykulu) izlemeye yönelik pasif bir beyin-bilgisayar arayüzü geliştirilmiştir. Tasarlanan, EEG tabanlı Destek Vektör Makinesi (DVM) algoritması, K En Yakın Komşu ve Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım algoritmalarıyla karşılaştırıldı. Beş katılımcıdan 25 saat EEG verisi toplamak için klasik bir EEG başlığı değiştirildi. 1-5 Hz ve 10-15 Hz frekans bantlarında meydana gelen frontal ve parietal loblarda EEG aktivitesindeki değişikliklerin, bireylerin dikkat durumundaki değişikliklerle ilişkili olduğu saptandı. DVM tabanlı zihinsel durum algılayıcılı sürekli performans görevi versiyonunu kullanarak deneysel ortamda bu tür değişiklikleri, bireylerin dikkat durumunu %96.70 (en iyi) ve %91.72 (ortalama) doğrulukla belirlemiştir. Bulgular, EEG beyin aktivite verileri aracılığıyla bireylerin durumunu izlemek için gelecekteki sistemlerin tasarımında yol gösterici olacaktır.

Özet (Çeviri)

Recent advances in technology bring about novel operating environments where the role of human participants is reduced to passive observation. While opening new frontiers in productivity and lifestyle, such environments also create hazards related to the inability of human individuals to maintain focus and concentration during passive control tasks. A passive brain-computer interface for monitoring mental attention states of human individuals (focused, unfocused, and drowsy) by using electroencephalographic (EEG) brain activity imaging and machine learning data analysis methods is developed in this work. An EEG data processing pipeline and a machine learning mental state detection algorithm using the Support Vector Machine (DVM) method were designed and compared with k-Nearest Neighbor and Adaptive Neuro-Fuzzy System methods. To collect 25 hours of EEG data from 5 participants, a classic EEG headset was modified. We found that the changes in EEG activity in frontal and parietal lobes occurring at 1-5 Hz and 10-15 Hz frequency bands were associated with the changes in individuals' attention state. We demonstrated the ability to use such changes to identify individuals' attention state with 96.70% (best) and 91.72% (avg.) accuracy in experimental settings using a version of continuous performance task with DVM-based mental state detector. The findings help guide the design of future systems for monitoring the state of human individuals by means of EEG brain activity data.

Benzer Tezler

  1. Odyometri sistem tasarımı ve EEG sinyalleri kullanılarak makine öğrenmesi yöntemleri ile işitme testi

    Audiometry system design and hearing test with machine learning methods using EEG signals

    MUSTAFA KÜÇÜKAKARSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET REŞİT KAVSAOĞLU

  2. Farklı veri türlerinin birleştirilmesi ile epilepsi hastalığının otomatik tespiti ve sınıflandırılması

    Automatic detection and classification of epilepsy disease by combining different data types

    ŞENGÜL BAYRAK HAYTA

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EYLEM YÜCEL DEMİREL

    DOÇ. DR. HİDAYET TAKCI

  3. Kognitif bozukluğu olmayan parkinson hastalarında erken tanı amaçlı klinik karar destek sistemi geliştirilmesi

    Development of a clinical decision support system for early diagnosis in Parkinson's patients without cognitive impairment

    NESLİHAN BAKİ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. NURHAN GÜRSEL ÖZMEN

  4. Probabilistic graphical models for brain computer interfaces

    Probabilistic graphical models for brain computer interfaces

    JAİME FERNANDO DELGADO SAA

    Doktora

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  5. Opioid kullanım bozukluğu ve sağlıklı kontrol gruplarının sınıflandırılmasında QEEG tabanlı biyobelirteç ile makine öğrenme yöntemleri kullanılarak retrospektif olarak sınıflandırılması

    QEEG-based biomarker for classification of opioid use disorder and control groups classification by using machine learning methods

    EDA NUR ÇAPKAN ALTUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    NörolojiÜsküdar Üniversitesi

    Nörobilim Ana Bilim Dalı

    DOÇ. DR. TÜRKER TEKİN ERGÜZEL