Subspace discovery with supervised learning for SSVEP based brain-computer interfaces
DHGUP bazlı beyin-bilgisayar arayüzü için gözetimli öğrenme yöntemiyle altuzay keşfi
- Tez No: 761364
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Alt uzaylar, Beyin-bilgisayar arayüzü, Boyut indirgeme, Sınıflandırma, Yapay sinir ağları, Subspaces, Brain-computer interface, Reduction of dimensionality, Classification, Artificial neural networks
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Teknolojinin gelişmesiyle birlikte günümüzde her gün çok büyük boyutlarda veri oluşmaktadır. Bu verileri direkt olarak işlemek sistemler üzerinde büyük bir yük getirmektedir. Neyse ki yüksek boyutlu veriler genellikle sahip oldukları bilginin en anlamlı bölümünü daha düşük boyutlu olan alt uzaylarda barındırırlar. Bu alt uzayların tespiti ve verinin bu düşük boyutlarda işlenmesi sistemler için oldukça faydalıdır. Bu bilgiye dayanarak, bu tezde, özel bir ileri beslemeli sinir ağı modeli önerilmekte olup bu model yardımıyla, belirtilen alt uzaylar öğrenilmeye çalışılmış ve veri sınıflandırılması yapılmıştır. Belirtilen model, biri yüksek boyutta, diğeri ise özünde düşük boyutlu birden fazla alt uzayda yaşayan, iki adet çok yüksek boyutlu sınıfa ait verileri ayrıştırmaktadır. Sistemin davranışı, ilk etapta, bizim oluşturduğumuz sentetik veri setleri sayesinde incelenmiş, alt uzay tespit yeteneği ve sınıflandırma doğruluğu oluşturulan veri setleri için raporlanmıştır. Daha sonrasında sistem, asıl amacımız olan, halka açık bir durağan hal görsel uyarılmış potansiyel (DHGUP) temelli beyin-bilgisayar arayüzü (BBA) veri seti (benchmark veriseti) ile test edilmiştir. DHGUP sinyalleri temelde beynin görsel olarak titreşen objelere verdiği tepkilerdir ve Fourier spektrumda görsel objenin titreşim frekansı ve onun harmonikleri baskın olarak gözlenmektedir. Dolayısıyla Fourier spektrumundaki taban vektörlerine benzer sinüzoidal vektörler üzerinde yaşayan sinyaller yapı itibari ile alt uzay öğrenme problemi ile uyuşmaktadır. Temelde 2 sınıfı ayrıştırma özelliği olan modelimizi, 40 sınıftan oluşan bu veri setininde kullanmak için hata düzeltme çıktı kodları (HDÇK) kullanılmış olup, 156 bit/dk veri aktarım hızı elde edilmiştir.
Özet (Çeviri)
With the advancements in the modern data streaming technologies and artificial intelligent systems, the amount of data becoming available to the applications do constantly increase everyday. Processing in large amounts, and also in high dimension, bring a great burden on both the system and algorithms for data-driven inference. To facilitate inference in high dimension, the presented thesis exploits that the data often lie on low-dimensional subspaces. We focus on the EEG signal processing for SSVEP (steady state visually evoked potentials)-based speller BCIs (brain computer interfaces), where the goal is character recognition (a multi-class classification problem) using the EEG SSVEP signal that is known to be dominated by a certain character-specific frequency component and its harmonics. Hence, the data of a character is in a linear subspace whereas separating, for instance, one class from the rest requires to separate a low-dimensional subspace (ambient is high) from a union of multiple low-dimensional subspaces. To this end, we propose a neural network that is tailored to the specific challenges of EEG SSVEP signal processing, i.e., handling data with high ambient but low intrinsic dimensionality as described. The multi-class classification problem was solved based on error correcting output codes. In our performance evaluations, after first testing the subspace detections of the proposed network on a synthetic dataset, we conducted extensive experiments with a publicly available benchmark SSVEP dataset and observed promising multi-class classification accuracy corresponding to an information transfer rate of 156 bits/min.
Benzer Tezler
- Clustering analysis of young isolated neutron stars on p − ṗ space
Genç izole nötron yıldızlarının p − ṗ parametre uzayında kümeleme analizi
FAHRETTİN AY
Yüksek Lisans
İngilizce
2019
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
PROF. DR. KAZIM YAVUZ EKŞİ
- Training-free image-level affordance discovery and labeling using pre-trained deep networks
Önceden eğitilmiş derin ağlar üzerinde eğitim gerektirmeyen görüntü düzeyinde sağlarlık keşfi ve etiketleme
İSMAİL ÖZÇİL
Doktora
İngilizce
2025
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET BUĞRA KOKU
- Seyrek bilgisayarlı tomografi görüntülemede eş zamanlı cebirsel geri çatma tekniği için gevşeme parametresi seçimi
Selection of relaxation parameters for simultaneous algebraic reconstruction technique in sparse computed tomography imaging
RAZİYE KÜBRA KUMRULAR
Yüksek Lisans
Türkçe
2018
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. İSA YILDIRIM
- A_n^d cebirinden elde edilen S_d-1 simetrik grubu
Symmetric group S_d-1 from an algebra A_n^d
NAZLI SELİN ÇOPUR
Yüksek Lisans
Türkçe
2012
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ŞEYDA CANAN TEKİN
- İstanbul Boğazı'nın görünmeyen zeminleri:Kayıp mekânların keşfi ve kamusal sanatla yeniden değerlendirilmesi
The unsighted grounds of the İstanbul Bosphorus:The discovery of lost spaces and their re-evaluation with public art
İLKAY DİLAN TAŞKİREÇ DURUP
Yüksek Lisans
Türkçe
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DOÇ. DR. İSMAİL EREN KÜRKÇÜOĞLU