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: Belirtilmemiş.
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
- Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
OĞUZHAN HASAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- İlkokul çağı erkek çocuklarında inmemiş testis anomalisi ve insidansı
The anomaly and incidence of cryptorchidism in primary school boys
SERDAR SEZGİN
- Lohusalıkta anneye verilen sağlık eğitiminin annenin doğum sonrası döneme ilişkin bilgi düzeyine etkisinin incelenmesi
Başlık çevirisi yok
HANDAN GÜLER
Yüksek Lisans
Türkçe
1987
HemşirelikCumhuriyet ÜniversitesiHemşirelik Ana Bilim Dalı
Y.DOÇ.DR. MELİHA ATALAY
- İzmir yöresindeki süt sığırcılığı işletmelerinde sağımı yemleme ve temizlemeye ilişkin uygulamaların mekanizasyon işletmeciliği açısından irdelenmesi
Başlık çevirisi yok
ENGİN ÇAKIR
Yüksek Lisans
Türkçe
1986
ZoolojiEge ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
PROF.DR. RAUF UÇUCU
- Türkiye'de yonga levha endüstrisi sorunları ve çözüm yolları
Die spanplatten indüstrie in der Türkei ihre probleme und lösungsmöglichkeiten
ABDİ EKİZOĞLU