Spektral ve Faz Tabanlı Özniteliklerle Çok Sınıflı Motor Hayali EEG Sinyallerinin Sınıflandırılması
Classification of multi-class motor imaginary eeg signals with spectral and phase-based features
- Tez No: 673005
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA TOSUN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Ampirik Mod Ayrıştırması (EMD), Ayrık Dalgacık Dönüşümü (DWT), Beyin-Bilgisayar Arayüzü (BBA), Destek Vektör Makinesi (SVM), EEG Sinyal İşleme, Hilbert Dönüşümü (HT), Hilbert-Huang Dönüşümü (HHT), Motor Hayali (MI), Güç Spektral Yoğunluğu (PSD), Uzun-Kısa Dönem Hafıza (LSTM), Welch Yöntemi, Biyomedikal işaretler, Brain Computer Interface (BCI), Discrete Wavelet Transform (DWT), EEG Signal Processing, Empirical Mode Decomposition (EMD), Hilbert Transform (HT), Hilbert-Huang Transform (HHT), Long-Short Term Memory (LSTM), Motor Imagery (MI), Power Spectral Density (PSD), Support Vector Machine (SVM), Welch Method. In this thesis, Biomedical signals
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin-Bilgisayar Ara yüzleri(BBA), insanların herhangi bir kas gücü gerektirmeden tamamen zihinsel olarak elektronik cihazlarla iletişim kurmalarına olanak sağlayan bir teknolojidir. Günümüzde kullanılan BBA sistemlerinde, sinyal elde etmenin kolaylığı nedeniyle çoğunlukla EEG(Elektroensefalogram) sinyalleri tercih edilmektedir. EEG tabanlı BBA uygulamalarında, kişilerin ilgili uzuv hareketlerini hayal etmesiyle elde edilen Motor İmagery(MI) sinyallerinden özellik çıkarmak ve bunları sınıflandırmak oldukça önemli bir konudur. MI-EEG sinyalleriyle ilgili yapılan çalışmalarda, birçok farklı özellik çıkarma yöntemleri ve sınıflandırma algoritmaları kullanılmıştır. Fakat MI-EEG sinyallerinde sınıf sayısı arttıkça, elde edilen sınıflandırma başarıları arasında belirgin farklar gözlemlenmiştir. Bu tez çalışmasında, sinyallerin PSD ve faz bilgilerini içeren özellik çıkarma yöntemleri incelenmiştir. PSD tabanlı özellikleri elde etmek için Ayrık Dalgacık Dönüşümüyle birlikte Welch metodu ve Ampirik Mod Ayrıştırmasıyla birlikte Welch metodu kullanılmıştır. Faz tabanlı özellikleri elde etmek için ise Hilbert dönüşümü ve Hilbert-Huang dönüşümü yöntemleri kullanılmıştır. PSD veya faz bilgileri içeren öznitelik vektörleriyle LSTM derin ağı ve SVM algoritması eğitilmiştir. İki farklı PSD tabanlı yöntemin, sınıflandırma başarılarına olan etkileri kişiler, kanallar ve kullanılan sınıflandırıcı alt başlıkları altında detaylıca incelenmiştir. Ayrıca iki farklı faz tabanlı yöntemin sınıflandırma başarılarına olan etkileri ise kişiler, belirli zaman aralıkları ve kullanılan sınıflandırıcı bazında detaylı olarak incelenmiştir. Tez çalışmasının son kısımlarında, PSD ve faz tabanlı yöntemlerin başarılarının karşılaştırılması yapılmıştır. Ek olarak, makalelerde aynı veri setini kullanarak yapılan 4'lü motor imagery sinyallerinin sınıflandırılmasıyla ilgili bazı çalışmalar ile önerilen yöntemin başarıları karşılaştırılmıştır. PSD ve faz bilgileri içeren özelliklerin sınıflandırıcı başarılarına olan etkilerini incelemek için, BCI Competition IV- 2a veriseti kullanılmıştır. Veri seti 9 farklı kişiye ait; sağ kol, sol kol, ayak ve dil olmak üzere 4 farklı sınıflı, 250 hz'lik örnekleme frekansına sahip [3-6] sn arasında ve 22 kanallı motor imagery sinyallerinden oluşmaktadır. Tüm verisetine 0.5-100 Hz arası band geçiren filtreyle birlikte, şebeke gürültüsünü bastırmak için 50 Hz'lik notch filtre uygulanmıştır. Ham EEG verilerini belirli frekans bandlarına ayrıştırmak için Ayrık Wavelet Dönüşümü ve Ampirik Mod ayrıştırması gibi 2 farklı yöntem kullanılmıştır. Bu yöntemler ile elde edilen bandlara ait PSD değerleri, Welch yöntemi uygulanarak hesaplanmıştır. Delta(0-4 hz), teta(4-8 hz), alfa(8-16 hz) ve beta(16-32 hz) bandlarının belirli PSD değerlerini birleştirerek öznitelik vektörleri oluşturulmuştur. Bu öznitelik vektörleri LSTM ve SVM sınıflandırıcılarıyla eğitilerek, test edilmiştir. Faz tabanlı özellikleri elde etmek için, EEG verilerine Hilbert ve Hilbert-Huang dönüşümleri uygulanıp, analitik sinyaller elde edilmiştir. Analitik sinyallere ait anlık fazlar hesaplandıktan sonra kayan pencere yöntemiyle anlık fazların öz değerleri hesaplanmıştır. Bu öz değerler ile oluşturulan öznitelik vektörlerini kullanarak LSTM ve SVM sınıflandırıcıları eğitilmiştir. Eğitim sonucunda, analitik sinyallerin anlık faz bilgilerini kullanarak yapılan sınıflandırmanın, PSD değerleriyle yapılan sınıflandırmaya göre daha başarılı olduğu görülmüştür. Günümüzde, EEG sinyallerinden faz bilgisi içeren özellik çıkarma yöntemleri ile yapılan çalışmalar sınırlıdır. Önerilen yeni yöntemde, kanal seçimine gerek kalmadan, tüm kanalların etkileri aynı anda incelenmiştir. Anlık fazların kayan pencere yöntemiyle hesaplanan öz değerlerini kullanarak elde edilen sınıflandırma başarısı, çok sınıflı motor imagery sinyallerinden özellik çıkarmada umut vericidir. Ayrıca, popüler bir derin öğrenme algoritması olan LSTM ağının, klasik makine öğrenmesi yöntemi olan SVM'ye göre daha üstün olduğu görülmüştür.
Özet (Çeviri)
Brain-Computer Interfaces (BBA) is a technology that allows people to mentally communicate with electronic devices without requiring any muscle power. EEG (Electroencephalogram) signals are mostly preferred in the BBA systems used today due to the ease of signal acquisition. In EEG-based BBA applications, extracting features from Motor Imagery (MI) signals obtained by imagining related limb movements and classifying them is a very important issue. Many different feature extraction methods and classification algorithms have been used in studies on MI-EEG signals. However, as the number of classes in MI-EEG signals increased, significant differences were observed between the obtained classification accuracies.
Benzer Tezler
- Automotive radar interference mitigation with next generation sequence models
Yeni nesil dizi modelleri ile otomotiv radarlarında girişim giderme
ELİF ÖZTÜRK KOÇ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- HEDEFE YÖNELİK UZANMA DAVRANIŞININ ÇOK MODLU ANALİZİ
MULTIMODAL ANALYSIS OF GOAL-DIRECTED REACHING BEHAVIOR
ÖZGE ÇEKİRGE
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EVREN DEĞİRMENCİ
- X-bant gürültü radarı ile dron ve martıların mikro-doppler karakteristiklerin çıkarımı
Extraction of micro-doppler characteristics of drone and seagulls with x-band noise radar
KARTAL KAAN GÜMEN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SELÇUK PAKER
- Drone haberleşmesinde sahte veri enjeksiyon analizi
False data injection analysis in drone communications
HASAN YILDIRIM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN GÖNEN
- 850 nm dalga boyu için plazmonik ve alternatif plazmonik tabanlı metalens tasarımları
Plasmonic and alternative plasmonic based metalens designs for the wavelength of 850 nm
BÜŞRA ERSOY
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKayseri ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EKİN ASLAN