Geri Dön

Leveraging deep learning techniques to improvep300-based brain computerinterfaces

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 720978
  2. Yazar: İHSAN DAĞ
  3. Danışmanlar: PROF. ALESSANDRA PEDROCCHI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Biyoteknoloji, Tıbbi Biyoloji, Bioengineering, Biotechnology, Medical Biology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Polıtecnıco Dı Mılano
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Özet yok.

Özet (Çeviri)

Brain-Computer Interface (BCI) has become a promising technology to carry out training sessions with Autism Spectrum Disorder (ASD) subjects to overcome their joint-attention deficit. The functioning is based on the successful classification of the P300 waveform from EEG recordings, an event-related potential elicited by rare stimuli in visual-oddball paradigms, with a latency of 300 ms after the onset of a stimulus. In this thesis work, we used deep learning techniques, namely convolutional neural networks (CNNs), to improve P300-based BCIs. We utilized a state-of-the-art classifier, named BCIAUT, which had proven success on a P300 data set acquired on ASD subjects, called BCIAUT-P300 data set. We also proposed a novel BCI classifier, called P3CNET, that improved P300 classification accuracy performances shown by BCIAUT. For the pre-processing of the data, we pursued a grid-search approach with combinations of different start time and window length parameters to explore the optimal signal trimming interval that would lead to high average and low standard deviation of classification accuracies. Then, we looked for the minimum calibration size, to fulfil a balance between higher accuracy and shorter calibration time, so that the calibration phase of BCI can be eliminated from further training sessions. To improve the explainability of deep learning architectures; cross-correlation analysis and GradCAM methodology were employed to explore the significant input EEG regions that are influential for a correct P300 classification. We observed the consistent attention of a classifier on these regions with saliency maps. Finally, with Grad-CAM methodology, we identified the most significant electrode channels. Their positions on the scalp corresponded to visual processing areas (parietal and occipital lobes). The elimination of less informative electrode channels from the data set were evaluated and the accuracy performance did not degrade much. All the methodologies, explorations and conclusions were performed and validated on two different CNN classifiers, demonstrating the generalizability of the obtained results.

Benzer Tezler

  1. Tez No

    1014986

    Leveraging deep learning for efficient translation of programs between programming languages

    Programlama dilleri arasinda verimli kod çevirisi için derin öğrenmeden yararlanma

    KHALIL E A ABDULGAWAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    Prof. Dr. ALİ OKATAN

  2. Tez No

    876907

    Efficient human parsing and inpainting using advanced deep learning techniques

    Gelı̇şmı̇ş derı̇n öğrenme teknı̇klerı̇nı̇ kullanarak etkı̇n ı̇nsan ayrıştırma ve inpainting

    MD IMRAN HOSEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TARKAN AYDIN

  3. Tez No

    916976

    Derin öğrenme ile görüntülerde kararlı öznitelik eşleme tekniklerinin geliştirilmesi

    Development of robust feature matching techniques in images using deep learning

    MUHAMMET FATİH AYDOĞDU

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHAMMED FATİH DEMİRCİ

  4. Tez No

    949334

    Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma

    Multi-class classification for skin lesions using deep learning techniques

    ÜMMÜHAN KOPAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜRVET KIRCI

  5. Tez No

    982953

    Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques

    Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme

    TUĞÇE TOPRAK

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ALPER SELVER

Geri Dön