Mobil eeg tabanlı açlık ve tokluk sınıflandırılması
Mobile eeg based hunger and satiety classification
- Tez No: 621432
- Danışmanlar: DOÇ. DR. SÜLEYMAN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Hastanelerde ve laboratuvarlarda gerçekleştirilebilen yüzeysel elektroensefalografi (EEG) ölçümleri günümüz teknolojilerinin gelişmesiyle giyilebilir ve taşınabilir düzeye ulaşmıştır. Yapay zeka destekli beyin bilgisayar arayüzü (BBA) sistemleri engeli olan bireylerin EEG sinyallerinin işlenmesi ile dış dünyayla etkileşimde bulunmasında önemli rol oynamaktadır. Özellikle artan nüfusla beraber evde bakım ihtiyacı olan bireylerin temel ihtiyaçlarına destek olacak araştırmalar yaygınlaşmaktadır. Bu çalışmada, EEG ölçümleri üzerinden kişilerin açlık ve tokluk durumunu bilgisayar ortamında tespit edecek BBA sisteminin tasarlanması amaçlanmıştır. Bu kapsamda, çalışmanın ilk aşamasında 20 sağlıklı katılımcının gözler açık, gözler kapalı ve Olay İlişkili Potansiyel (OİP) senaryolarında EEG sinyalleri kaydedilerek veri tabanı oluşturulmuştur. Ön işlemede, alçak geçiren, yüksek geçiren ve çentik filtreler kullanılarak EEG sinyalleri gürültüden arındırılmıştır. OİP sinyallerinin maksimum, minimum, ortalama, medyan, varyans, basıklık, mod, maksimum ve minimum değerler arasındaki fark, standart sapma ve çarpıklık değerleri elde edilerek özellikler çıkartılmıştır. Gözler açık ve kapalı EEG ölçümlerin analizinde ise Dalgacık Paket Dönüşümü (DPD) yöntemi kullanılmıştır. Özellik seçiminde, Lineer Diskriminant Analiz (LDA) sınıflandırıcısının girdisi olan özelliklerden en başarılı doğruluk oranına sahip özellikler yapay zeka algoritmalarının girdisi olarak kullanılmıştır. Çalışmada, Çok Katmanlı Yapay Sinir Ağı, Destek Vektör Makinesi, k En Yakın Komşuluk ve Karar Ağacı algoritmaları kullanılarak Coiflet 1 ve Daubechies 4 dalgacıklarının aç ve tok durumlardaki EEG sinyalinin sınıflandırma performansları karşılaştırılmıştır. Çalışma sonucunda, üç farklı ölçüm yöntemi ve analiziyle doğruluk oranı %97,62, %95 ve %85 olarak tespit edilmiştir.
Özet (Çeviri)
Surface electroencephalography (EEG) measurements that can be performed in hospitals and laboratories have reached wearable and portable level with the development of today's technologies. Artificial intelligence assisted, brain computer interface (BCI) systems play an important role in the processing of EEG signals of individuals with disabilities and their interaction with the outside world. Especially, with the increasing population, researches to support the basic needs of individuals in need of home care are becoming widespread. In this study, it is aimed to design the BCI system that will detect the hunger and satiety status of the people in computer environment through EEG measurements. In this context, the database was created by recording EEG signals in the eyes open, eyes closed and Event Related Potential (ERP) scenarios of 20 healthy participants in the first stage of the study. In preprocessing, EEG signals are cleaned from noise using low pass, high pass and notch filters. The properties are extracted by obtaining the maximum, minimum, average, median, variance, kurtosis, mode, difference between maximum and minimum values, standard deviation and skewness values of the ERP signals. Wavelet Packet Transformation (WPT) method was used to analyze EEG measurements with eyes open and closed. In the feature selection, the properties with the most successful accuracy rate, which are the inputs of the Linear Discriminant Analysis (LDA) classifier, are used as the inputs of artificial intelligence algorithms. In the study, the classification performances of the EEG signal in the open and satiety states of Coiflet 1 and Daubechies 4 wavelets were compared by using Multilayer Artificial Neural Network, Support Vector Machine, k Nearest Neighbor and Decision Tree algorithms. As a result of the study, the accuracy rate was determined as 97.62%, 95% and 85% with three different measurement methods and analysis.
Benzer Tezler
- Design, implementation and BCI-based control of a series elastic mobile robot for home-based physical rehabilitation
Evde kullanılabilen seri elastik mobil rehabilitasyon robotunun tasarımı, uygulaması ve beyin-bilgisayar arayüzü tabanlı kontrolü
MİNE SARAÇ
Yüksek Lisans
İngilizce
2013
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN PATOĞLU
DOÇ. DR. MÜJDAT ÇETİN
- EEG controlled semi-autonomous mobile vehicle design and implementation
EEG kontrollü yarı otonom mobil araç tasarımı ve gerçeklenmesi
HÜSEYİN TANZER ATAY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA İNCİ ÇİLESİZ
- Eeg sinyalleri ile cihaz kontrolü
Device control with eeg signals
HARUN ÇİĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DAVUT HANBAY
- Development of adaptive human-computer interaction games to evaluate attention
Dikkat seviyesini değerlendirmek için adaptif insan-bilgisayar etkileşimi oyunlarının geliştirilmesi
HASAN KANDEMİR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- EEG biyosensör kullanılarak dikkat ve meditasyon oranlarının öğrenmeyle ilişkilendirilmesi
Correlation of attention and meditation rates with learning by using EEG biosensor
BÜŞRA ÜLKER
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET BARIŞ TABAKCIOĞLU