Hybrid electroencephalogram (Eeg) - functional near-infrared spectroscopy (Fnirs) brain-computer interface (BCI) classification of motor imagery tasks
Motor görüntü görevlerinin hibrit elektroensefalografi (Eeg)- işlevesel kızılötesine yakın spektroskopi (Fnirs) beyin bilgisayar ara birimi (BCI) sınıflandırması
- Tez No: 620417
- Danışmanlar: Assoc. Prof. Dr. MUHAMMAD UMER KHAN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 75
Özet
Hibrid Beyin Bilgisayar Ara Birimi, iki ya da daha fazla nörofizyolojik sinyalin birleşimidir ve tek modalite sakıncalarını tamamlama yeteneği ile uyumlu hale getirici özellikleri ortaya çıkarmada güvenilir sonuçlar elde etmesiyle dikkat çekmektedir. Simultane biçimde kaydedilen işlevsel kızılötesine yakın spektroskopi(fNIRS) füzyonu ve Elektroensefalografi (EEG)aracılığı ile elde edilen hibrid bir EEG-fNIRS BCI sistemi, tek-modalite sınırlarını aşmak ve yüksek motor görevlerinin üstesinden gelmek üzere kullanılmaktadır. Her ne kadar hibrid BCI yaklaşımı sistemin performansını başarıya ulaştırsa da, hala ilerlemeler iki modaliteyi birleştirmek üzere hesaplama olmaması nedeniyle henüz makul düzeydedir. Bu teze katkılar iki yönlüdür: en çok temsili kanalları seçme konusundaki roman kanal seçim katsayı korelasyonu ve Çoklu çözünürlük tek değerli dekompozisyan kullanan roman füzyon yaklaşımı (MSVD). MSVD' den, optimal EEG-fNIRS kanallar için hem sistem-temelli ve hem de özellik-temelli füzyon elde etmekte yararlanılır. Bu teze diğer bir katkı da, özellik-temelli füzyon için kanonik korelasyon analizinden (CCA) yararlanmaktır. Korelasyon analizi, öncelikle iki modalite arasındaki ilişki üzerinde çalışmak üzere kullanılmaktadır. CCA özellik-temelli füzyon, iki modalite üstünden inter-konulu orta değişikliği maksimize ederek performansı arttırdı. Simülasyon sonuçları vasıtasıyla, hesaplama karmaşıklığını azaltırken, amaçlanan yaklaşımların optimal performansı elde etmeye katkı sağladığına tanık olunabilmektedir.
Özet (Çeviri)
Hybrid Brain Computer Interface, a combination of two or more neurophysiological signals, is getting attention for its ability to complement a single modality drawbacks and in achieving reliable results by extracting harmonizing features. A hybrid EEG-fNIRS BCI system achieved through the fusion of simultaneously recorded functional Near-Infrared Spectroscopy (fNIRS) and Electroencephalography (EEG) signals, is used to overcome the limitations of uni-modality and to achieve high motor tasks classification. Although, hybrid BCI approach enhanced the performance of the system, yet the improvements are still modest because of the lack of computational methods to fuse the two modalities. The contributions of this thesis is twofold: a novel channel selection correlation coefficient approach to select the most representative channels and a novel fusion approach using Multi-resolution singular value decomposition (MSVD). MSVD is utilized to achieve both system-based and feature-based fusion for the optimal EEG-fNIRS channels. Another contribution of this thesis is to utilize canonical correlation analysis (CCA) for feature-based fusion. Correlation analysis is used primarily to study the relationship between the two modalities. CCA feature-based fusion improved performance through maximizing the inter-subject covariance across the two modalities. Through simulation results, it can be witnessed that the proposed approaches help to achieve optimal performance while reducing the computational complexity.
Benzer Tezler
- Noise removal in electroencephalogram (EEG) using deep learning algorithms
EEG sinyallerinde gürültünün temizlenmesi için derin öğrenme algoritmalarının kullanılması
ABUZER DOGAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA KAYHAN
- Spatial decoding of oscillatory neural activity for brain computer interfacing
Beyin makine arayüzleri için salınımlı beyin işaretlerinin uzamsal çözümlemesi
İBRAHİM ONARAN
Doktora
İngilizce
2013
Biyomühendislikİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ENİS ÇETİN
YRD. DOÇ. DR. NURİ FIRAT İNCE
- Yukarı–aşağı imleç hareketine ilişkin EEG kayıtlarının ayrık dalgacık, KNN ve DVM ile sınıflandırılması
Classification of up-down cursor movements' EEG records with discrete wavelet transform, KNN and SVM methods
ÖMER EMHAN
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SİRAÇ ÖZERDEM
- Kübik bağ interpolasyonu ve derin ağlardan elde edilen hibrit öznitelik vektörleriyle epileptik nöbet tespiti
Epileptic seizure detection with hybrid feature vectors obtained from cubic spline interpolation and deep networks
EMRE CAN KURAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET BİLAL ER
- Age and gender classification in EEG signals using deep learning
Başlık çevirisi yok
KHALID TAWFIQ ABDULALBAQI AL-DIWAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP CANSEVER