Geri Dön

El hareketlerinin gerçekleştirilmesi ve gözlemlenmesi esnasında kaydedilen EEG sinyallerinden derin öğrenme temelli sınıflandırma ile ayna nöron aktivitesinin değerlendirilmesi

Deep learning based classification of EEG signals recorded during execution and observation of hand movements to evaluate the mirror neuron activity

  1. Tez No: 638320
  2. Yazar: HÜSEYİN AKBULUT
  3. Danışmanlar: DOÇ. DR. ADİL DENİZ DURU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Biyomühendislik, Spor, Science and Technology, Bioengineering, Sports
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Beden Eğitimi ve Spor Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 102

Özet

Amaç: Bireylerin başka bir insanın hareketini gözlemlediği esnada motor ve sensorimotor kortekste gözlemlenen nöronal aktivite, hareketi kendi uyguladığı sırada görülen aktiviteye benzer şekilde EEG'nin alfa (8-13 Hz) ve beta (14-25) frekans bantlarında gözlemlenir. Bu çalışmanın amacı, EEG sinyalleri kullanılarak katılımcıların top sıkma hareketini gerçekleştirdikleri ve gözlemledikleri durumların sınıflandırılmasıdır. Gereç ve yöntem: Çalışmada EEG ölçümleri ile eş zamanlı olarak katılımcıların el hareketleri 1280x720 piksel, 60 Hz çözünürlükte videolara kaydedildi ve elde edilen görüntüler değerlendirilerek EEG sinyalleri hareket ve gözlem bölümlerine ayrıldı. Dokuz katılımcının tekrarlı hareket ve gözlemler sırasında kaydedilen her el hareketine karşılık gelen EEG sinyalleri 500 ms lik pencerelere ayrıldı. Bu pencereler üzerinde zaman-frekans analizi gerçekleştirildi. İki boyutlu zaman-frekans çıktısı ve zaman-frekans Gram matrisleri konvolüsyonel sinir ağlarına girdi olarak kullanılarak sınıflandırma gerçekleştirildi. Kaydedilen EEG sinyallerinin yapay sinir ağları ile değerlendirilmesi için özelleştirilmiş VGGNet yapay sinir ağı yapısı kullanıldı. Bulgular: Farklı hareket bölümleri, ağ yapısı ve matematiksel işlemler ile oluşturulan görüntülerin değiştirilerek kullanıldığı yapay sinir ağlarında ikili grup eğitimi ve testlerinde en yüksek test skorlarına %80 üzerinde doğruluk yüzdesiyle dinlenim durumu ile hareket uygulaması ve gözlemleri arasında ulaşıldı. Zaman-frekans çıktısının Gram matrisleri kullanılması sonucu hareketin uygulanması bölümü kullanılarak oluşturulan setin, hareketin gözlemlenmesi ile test edilmesinde %75 doğruluk skoruna ulaşıldı. Sonuç: EEG zaman-frekans ve zaman-frekans çıktısının Gram matrislerinden elde edilen geometrik görüntülerin yapay sinir ağları ile sınıflandırılması, hareketin ve ayna nöron aktivitesinin uzamsal ve zamansal değişimi hakkında bilgi vermektedir.

Özet (Çeviri)

Objective: The neuronal activities in the motor and sensorimotor cortex at the EEG's alpha (8-13 Hz) and beta (14-25) frequency bands while the individuals observe the movement action of others, resemble the activity when execution the same movement pattern. The purpose of this study was to classify the situations in which the participants perform and observe the ball squeezing of hand movements from the recorded EEG signals. Material and methods: Hand movements of the participants have been recorded at 1280x720 pixels with 60 Hz resolution, simultaneously with the EEG measurements to segment the EEG data. EEG signals corresponding to each hand movements recorded during repetitive movements and observations of nine participants were divided into 500 ms windows. Time-frequency analysis was calculated and the classification was applied using two-dimensional time-frequency output and time-frequencys' Gramian matrices as input to conventional neural networks. Results: Convolutional neural networks have been run with different network structure, movement segments and calculated images sets. The highest test scores (83%) in binary group comparisons have been achieved between the resting state and movement execution. A 75% accuracy score have been achieved in testing using movement execution sets as training and movement observation sets as testing by time-frequency Gramian matrix. Conclusion: Using artificial neural networks for classification of geometric images of EEG time-frequency distributions and their Gramian matrix provide information on the spatial and temporal dynamics of movement and the mirror neuron activity.

Benzer Tezler

  1. Myoelectric-controlled exoskeleton system design for daily activities and paralytic hand rehabilitation

    Günlük aktivitelerde ve paralitik el rehabilitasyonunda kullanılabilen myoelektrik kontrollü dış iskelet tasarımı

    VEDAT YEĞİN

    Doktora

    İngilizce

    İngilizce

    2022

    Makine MühendisliğiMarmara Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ONAT

    PROF. DR. ZÜBEYİR SARI

  2. Beceri gerektiren hareketlerin sanal gerçeklik ortamında gerçekleştirilmesi ve orta-sagital planda aynalanmasının motor öğrenme üzerindeki etkilerinin elektroensefalogramla araştırılması

    Investigation of the effects of performing skilled movements in virtual reality environment and mirroring across the mid-sagittal plane on motor learning by using the electroencephalogram

    NUH YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Fizyolojiİstanbul Üniversitesi

    Fizyoloji Ana Bilim Dalı

    PROF. DR. TAMER DEMİRALP

  3. 3D animation for hand preshaping

    El önşekillendirmesi için 3B animasyonu

    MEHMET SONER GÜLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2006

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF.DR. UĞUR HALICI

    Y.DOÇ.DR. İLKAY ULUSOY

  4. Traitement et classification des signaux EEG pour le but d'une interface cerveau-machine

    EEG sinyallerinin beyin-bilgisayar ara yüzü amaçlı işlenmesi ve sınıflandırılması

    EMRE KURTARAN

    Yüksek Lisans

    Fransızca

    Fransızca

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. S. MURAT EGİ

  5. 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