Analyzing of EEG signals with deep learning and discrete wavelet transform
Derin öğrenme ve kesikli dalgalet dönüşümü ile EEG sinyallerinin analizi
- Tez No: 694565
- Danışmanlar: YRD. DOÇ. DR. OĞUZ ATA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
EEG sinyali insan için çok önemlidir. Dalgacık dönüşümleri, diğer sinyal işleme yollarının başarısız olduğu veya etkili olmadığı durumlarda, trendler, süreksizlikler ve tekrarlanan modeller gibi durağan olmayan sinyallerin farklı özelliklerinin çizilmesinde özellikle yararlıdır. EEG çalışmalarının dalgacık analizinde, zaman-frekans alanında geçici özellikler iyi bir şekilde çıkarılır. Bu çalışmada, EEG'lerde epilepsi nöbetini tespit etmek için Evrişimsel Sinir Ağları (CNN'ler) ile özniteliklerin karışımında her bir özelliğin sınıflandırmanın doğruluğuna etkisini inceleme yeteneği araştırılmıştır. EEG sinyalleri önce 5 alt sinyal içerisinde 5 seviyede Ayrık Dalgacık Dönüşümleri (DWT) kullanılarak belirli frekans bantlarında analiz edilmiş ve daha sonra her bir alt sinyalden öznitelikler çıkarılmıştır. Son olarak, evrişimli sinir ağı sınıflandırması vardı. EEG sinyallerinden sekiz öznitelik çıkarıldığında elde edilen en iyi sınıflandırma doğruluğu %97.25. Bu, bu özelliklerin epilepsi nöbetini yakalamak için güçlü olduğu anlamına gelir. Genellikle akıllı yöntemler, epilepsi hastalıklarının keşfi ve yargılanması gibi insanlarla da ilgili olan daha geniş bir tanımlama modeli problemlerinde kullanılabilir.
Özet (Çeviri)
An EEG signal is very important for human. The wavelet transforms is an especially useful in the drawing different of characteristics of non-stationary signals such as the trends, the discontinuities, and the repeated models wherever another signals processing ways fail or do not as effective. Within the wavelet analysis of the EEG studies, temporary features are well extracted in the time-frequency domain. In this study, the capability to study the effect of each feature on the accuracy of the classification, whereby in the mixture of features with the Convolutional Neural Networks (CNNs) to identify epilepsy seizure in EEGs was searched. The EEG signals were first analyzed within 5 sub-signals at specific frequencies bands by using Discrete Wavelet Transforms (DWT) at 5 levels, and then features were extracted from each sub- signal. Finally, there was convolutional neural network classification. The best classification accuracies obtained when extracted eight features from EEG signals 97.25 %. That means these features are strong to catch epilepsy seizure. Usually, the smart methods could be utilized within a more broad range of identification model problems that are also relevant to humans, such as the epilepsy diseases discovery and judgment.
Benzer Tezler
- EEG signal analyzing based on discrete wavelet transform and optimized LSTM technique
Ayrık dalgalet dönüşümü ve optimize LSTM tekniği üzerine EEG sinyal analizi
LUMA ABDULKAREEM HUSSEIN AL-DULAIMI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Nöropazarlama uygulamaları için EEG sinyallerinin analizi ile beğeni durum tespiti
Recognition of preferences with analysis of EEG signals for neuromarketing applications
BURAK CEYLAN
Doktora
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN
- Analysis of multichannel EEG signals for the detection of major depressive disorder
Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi
ELİF İZCİ
Yüksek Lisans
İngilizce
2021
Mühendislik Bilimleriİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. AYDIN AKAN
DR. ONAN GÜREN
- EEG işaretlerinden dikkat eksikliği ve hiperaktivite bozukluklarının makine öğrenmesi yöntemleri ile belirlenmesi
Attention deficit and hyperactivity from EEG signs determination of disorders by machine learning methods
BUĞRA KARAKAŞ
Yüksek Lisans
Türkçe
2024
Çocuk Sağlığı ve HastalıklarıFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Derin öğrenme yöntemleri ile EEG tabanlı motor imgeleme sinyallerinin sınıflandırılması
Classification of motor imagery EEG signals using deep learning methods
UMUT ÖZFİDAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLSÜM ŞANAL
DR. ÖĞR. ÜYESİ KÜBRA EROĞLU