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: Politecnico di Milano
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 218

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

    910411

    Denoising and enhancement in medical imaging modalities using deep learning

    Medikal görüntüleme sistemlerinde derin öğrenme ile gürültü azaltımı ve görüntü iyileştirme

    İREM LOÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. HAKAN ERKOL

    PROF. DR. MEHMET BURÇİN ÜNLÜ

  2. Tez No

    814205

    Digital twin of UAV: İmage processing in different virtual environments

    İHA'nın dijital ikizi: Farklı sanal ortamlarda görüntü işleme

    SAMET AKÇAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İCLAL ÇETİN TAŞ

  3. 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

  4. Tez No

    907528

    Real time car model and plate detection system by using deep learning architectures

    Derin öğrenme mimarilerini kullanarak gerçek zamanlı araba modeli ve plaka algılama sistemi

    TWANA SAEED MUSTAFA

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT KARABATAK

  5. Tez No

    856275

    Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

Geri Dön