Evaluating steady-state visually-evoked potentials using ensemble learning methods
Durağan hal görsel uyarılmış potansiyellerin topluluk öğrenmesi yöntemleriyle değerlendirilmesi
- Tez No: 643802
- Danışmanlar: DOÇ. DR. YALÇIN İŞLER, DR. ÖĞR. ÜYESİ YILMAZ KEMAL YÜCE
- Tez Türü: Doktora
- Konular: Biyoteknoloji, Biotechnology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 146
Özet
Durağan Durum Görsel Uyarılmış Potansiyeller (DDGUP), klinik sinirbilim, bilişsel ve mühendislikteki birçok alan için uygun ve yararlı olarak belirlenmiştir. DDGUP yüksek bilgi aktarım hızı, basit sistem yapısı ve kısa eğitim süresi gibi avantajları nedeniyle son zamanlarda popüler hale gelmiştir. DDGUP tabanlı BBA sisteminin tasarımı için sinyal yapısına uygun sinyal işleme yöntemleri uygulanmalıdır. Bu sabit olmayan sinyallerin en uygun sinyal işleme yöntemlerinden biri Dalgacık Dönüşümüdür. Literatür araştırmasından sonra, DDGUP sinyallerine Ayrık Dalgacık Dönüşümü uygulanarak, ana dalgacık tipi seçimi üzerinde bir çalışma olmadığını tespit edildi. DDGUP sinyalleri yedi farklı uyaran frekansında (6 – 6,5 - 7 – 7,5 – 8,2 – 9,3 – 10 Hz) kaydedilmiştir. Zaman alanı, frekans alanı ve zaman-frekans alanı olmak üzere toplamda 115 öznitelik çıkarılmıştır. Bu öznitelikler, yedi temel makine öğrenme algoritmasının alt parametreleri nedeniyle toplam 25 farklı sınıflandırma sürecine göre sınıflandırılmıştır. Sınıflandırma değerlendirmesi, 5-kat çapraz validasyon yöntemi ve hata matrisinden elde edilen doğruluk değerleri ile sunulmuştur. Elde edilen sonuçlara göre, (I) en başarılı dalgacık fonksiyonu Haar dalgacığı olarak ve (II) en başarılı sınıflandırıcı Topluluk Öğrenimi sınıflandırıcısı olarak elde edilmiştir. (III) Tek başına kullanılan enerji, entropi ve varyans öznitelikleri yerine, bir öznitelik kümesi olan öznitelik vektörü daha iyi sonuçlar vermiştir. (IV) Tek yönlü ANOVA testi ile yapılan öznitelik seçimi sonucunda, sınıflandırma doğruluğunu azalttığı görülmüştür. (V) Stimülasyon frekansları hakkında ayrıntılı araştırmalar yapıldığında, en yüksek performanslar“6-10”,“6,5-10”,“7-10”ve“7,5-10”Hz frekans çiftlerinde elde edilmiştir.
Özet (Çeviri)
Steady-state visual evoked potentials (SSVEPs) have been designated to be appropriate and useful for many areas in clinical neuroscience, cognitive, and in engineering. SSVEPs have become popular recently, due to their advantages such as high bit rate, simple system structure, and short training time, etc. To design SSVEP based BCI system, signal processing methods appropriate to the signal structure should be applied. One of the most appropriate signal processing methods of these non-stationary signals is the Wavelet Transform. After literature searched, we noticed that there was no study on the mother wavelet type selection by applying Discrete Wavelet Transform of SSVEP signals. SSVEP signal were recorded at seven different stimulus frequencies (6 – 6.5 – 7 – 7.5 – 8.2 – 9.3 – 10 Hz). A total of 115 features were extracted: time-domain, frequency-domain and time-frequency domain. These features were classified by a total of 25 different classification processes. Classification evaluation was presented with the 5-fold cross-validation method and accuracy values obtained from the confusion matrix. According to the results, (I) the most successful wavelet function was Haar wavelet, and (II) the most successful classifier was Ensemble Learning classifier. (III) Instead of the energy, entropy, and variance features were used alone, the feature vector, which was a feature set, gave better results. (IV) As a result of the feature selection made with the one-way ANOVA test, it reduces the classification accuracy. (V) By conducting detailed research on stimulation frequencies, the highest performances were obtained in the frequency pairs with“6-10”,“6.5-10”,“7-10”, and“7.5-10”Hz.
Benzer Tezler
- Mind the sheep! User experience evaluation and brain-computer interface games
Başlık çevirisi yok
HAYRETTİN GÜRKÖK
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of TwentePROF. DR. A. MOUTHAAN
DR. M. POEL
- Subspace discovery with supervised learning for SSVEP based brain-computer interfaces
DHGUP bazlı beyin-bilgisayar arayüzü için gözetimli öğrenme yöntemiyle altuzay keşfi
ABDULLAH KUTAY CANKI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Doğal çatklaklı rezervarlara ait kuyu testi verilerinin doğrusal olmayan regrasyon yöntemleri ile analizi
Başlık çevirisi yok
KUBİLAY MENEKŞE
- Francis türbini yayıcısındaki girdap oluşumunun etkisini azaltma yöntemlerinin hesaplamalı akışkanlar dinamiği analizleriyle incelenmesi
Investigation of methods to mitigate the effect of vortex formation in the francis turbine draft tube with computational fluid dynamics analysis
KAĞAN ÇAĞLAYAN
Yüksek Lisans
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ERKAN AYDER
- Dizel içten yanmalı motorlarda silindir içerisindeki hava hareketlerinin incelenmesi
In-cylinder flow characterization of air in diesel internal combustion engines
CEM DEMİRKESEN
Yüksek Lisans
Türkçe
2018
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ÜNER ÇOLAK