Makine öğrenmesi yöntemleri kullanılarak EEG verisinden zihinsel dikkat durumu tespiti
Determination of mental attention state with EEG based bci usingmachine learning methods
- Tez No: 574341
- Danışmanlar: DR. ÖĞR. ÜYESİ ÇİĞDEM ACI, DOÇ. DR. YURİY MİSHCHENKO
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET REŞİT KAVSAOĞLU
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EYLEM YÜCEL DEMİREL
DOÇ. DR. HİDAYET TAKCI
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. NURHAN GÜRSEL ÖZMEN
- Probabilistic graphical models for brain computer interfaces
Probabilistic graphical models for brain computer interfaces
JAİME FERNANDO DELGADO SAA
Doktora
İngilizce
2014
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- 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
2019
NörolojiÜsküdar ÜniversitesiNörobilim Ana Bilim Dalı
DOÇ. DR. TÜRKER TEKİN ERGÜZEL