Investigation of emotional state using machine learning techniques based on complexity and spectral features of electroncephalogram
Duygu durumunun elektroensofalografideki karmaşıklık ve spektral öznitelikler temelinde makina öğrenme teknikleri ile araştırılması
- Tez No: 672468
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN, DOÇ. DR. ADİL DENİZ DURU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
In the past decade, several studies have been performed in the field of brain electrical time series classification. Among those studies the identification of the emotional state based on electroencephalogram attracts researchers. In the concept of this thesis, a methodological framework for the classification of the EEG is proposed. To test the proposed approach a set of experiments have been conducted to collect EEG time series data. For this issue, we developed our stimulus presentation software and collected EEG data during the presentation of the emotional stimuli. In addition to these measurements, resting-state EEG recordings are collected. Nine volunteers participated in the study and, three different types of emotions were presented. From sixteen EEG sensors, recordings were performed with a sampling rate of 1Khz. Both the resting status (eyes closed, eyes open) and the emotional EEG (happy, unhappy, neutral) data were epoched using 1-second length windows. Then these epoched segments are subjected to feature extraction by the implementation of FourierTransform and Sample entropy, respectively. The former one represented the frequency spectrum while the latter one was used to monitor the complexity. Further, the Support Vector Machine, LinearDiscriminant, Logistic Regression, Decision Tree, K-Nearest Neighbours, and GaussianNaive Bayes algorithms were implemented separately on the features which were extracted. The evaluation of these techniques is performed in terms of accuracy scores. For the resting state EEG classification, we achieved the higher classification accuracy values by the use of SVM and LR (97%) with Fourier spectrum features. On the other hand, sample entropy features were found to classify the emotional responses with a better accuracy value than the spectral features. To conclude, it has been seen that the complexity-based parameters are more eligible to explain the variations of the emotional brain responses while the power spectral values stand for the resting status when a one-second length segment is used.
Özet (Çeviri)
Geçtiğimiz on yılda, beyin elektriksel zaman serileri sınıflandırması alanında çeşitli çalışmalar yapılmıştır. Bu çalışmalar arasında duygusal durumun elektroensefalograma (EEG) dayalı olarak belirlenmesi dikkat çekmektedir. Bu tez kapsamında, EEG'nin sınıflandırılması için metodolojik bir çerçeve önerilmektedir. Önerilen yaklaşımı test etmek için, EEG zaman serisi verilerini toplamak için bir dizi veri toplanmıştır. Bu amaçla uyarıcı sunum yazılımı geliştirilmiştir ve duygusal uyaranların sunumu sırasında EEG verisi toplanmıştır. Bu ölçümlere ek olarak dinlenme durumu EEG kayıtlarıda incelenmiştir. Çalışmada dokuz kişiye ait üç farklı duygu durumu EEG ölçümü kullanıldı. On altı EEG sensöründen 1 KHz örnekleme frekansında EEG kullanıldı. Hem dinlenme durumu (gözler kapalı, gözler açık) hem de duygusal EEG (mutlu, mutsuz, nötr) verileri 1 saniye uzunluğundaki pencereler kullanılarak pencerelendi. Daha sonra bu bölümler, sırasıyla Fourier Dönüşümü ve Örnek entropisinin uygulanmasıyla öznitelik çıkarımı gerçekleştirildi. BU özniteliklerden ilki frekans spektrumunu temsil ederken, ikincisi karmaşıklığı izlemek için kullanıldı. Ayrıca, Destek Vektör Makinesi, LinearDiscriminant, Lojistik Regresyon, Karar Ağacı, K-En Yakın Komşular ve GaussianNaive Bayes algoritmaları çıkarılan özellikler üzerinde ayrı ayrı uygulandı. Bu tekniklerin değerlendirilmesi doğruluk puanları üzerinden yapıldı. Dinlenme hali EEG sınıflandırmasında, Fourier spektrum özellikleri ile SVM ve LR (% 97) kullanarak yüksek sınıflandırma doğruluk değerlerine ulaşıldı. Öte yandan, örnek entropi özelliklerinin duygusal tepkileri spektral özelliklerden daha iyi bir doğruluk değeri ile sınıflandırdığı bulunmuştur. Sonuç olarak, karmaşıklık temelli parametrelerin duygusal beyin tepkilerinin varyasyonlarını açıklamak için daha uygun olduğu, güç spektral değerlerinin ise bir saniyelik uzunluktaki bir segment kullanıldığında dinlenme durumunu daha başarılı temsil ettiği görülmüştür.
Benzer Tezler
- Eğitsel videolarda makine öğrenmesi temelli duygu durum analizinin duygu ölçümlenmesi ve başarı açısından incelenmesi
An investigation of machine learning based mood analyses in educational videos in terms of emotion measurement and achievement
ALİ BATUHAN YILDIZ
Yüksek Lisans
Türkçe
2024
Eğitim ve ÖğretimMersin ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. SERKAN ŞENDAĞ
DOÇ. DR. SACİP TOKER
- DA4HI: A deep learning framework for facial emotion recognition in affective systems for children with hearing impairments.
DA4HI: İşitme engelli çocuklar için duyuşsal sistemlerde yüzdeki duyguların tanınması maksadıyla geliştirilen derin öğrenme modeli.
CEMAL GÜRPINAR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
PROF. DR. NAFİZ ARICA
- İş zekası ve duygu analizi: Sakarya merkezli sosyal medya verilerinin doğal dil işleme yaklaşımlarıyla incelenmesi
Business intelligence and sentiment analysis: Examining Sakarya-centric social media data through natural language processing approaches
FURKAN SARAÇOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Çok değişkenli sinyal işleme teknikleri kullanarak eeg ile duygu durum analizi
Emotion state analysis by using multivariate signal processing techniques via eeg signals
PINAR ÖZEL
Doktora
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN