Noise removal in electroencephalogram (EEG) using deep learning algorithms
EEG sinyallerinde gürültünün temizlenmesi için derin öğrenme algoritmalarının kullanılması
- Tez No: 765603
- Danışmanlar: PROF. DR. SEMA KAYHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: CNN, Derin öğrenme, Elektroensefalografi, Otokodlayıcılar, Uzun kısa süreli bellek, CNN, Deep learning, Electroencephalography, Autoencoders, Long- short term memory
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin anormalliklerinin gelişimi EEG kullanılarak izlenir. Ayrıca şizofreni hastaları gibi beyinle ilgili problemlerle uğraşan bireyleri değerlendirmek için de kullanılır. EEG kayıtları, beyin sinyallerinin doğru analizinde problem yaratan çeşitli gürültü türleri ile kirlenir. Hastaların EEG kayıtları beyin ile ilgili her türlü hastalığın analizi için çok önemli olduğu için sinyallerden bu gürültülerin çıkarılması gerekir. EEG gürültü giderme, beyin aktivitesi hakkında doğru bilgi almak ve yorumlamada hatalardan kaçınmak için fizyolojik paraziti azaltmayı amaçlar. Gürültü azaltma ve iptal etme, net ve kullanışlı bir sinyal sağlamak için önemlidir. EEG gibi bazı sinyaller durağan olmadığından, gürültünün istatistiksel özelliğini anlamak zordur. Önceki yıllarda, EEG sinyallerindeki gürültüleri gidermek için çok sayıda teknik önerildi. Ancak, optimize edilmiş sonuçlar henüz elde edilmedi. Bu tezde, hibrit derin öğrenme algoritmaları kullanarak gürültü giderme sonuçlarını iyileştirmek için yeni bir perspektif oluşturulacaktır. Otomatik Kodlayıcılar (AE'ler), Evrişimli Sinir Ağları (CNN) ve Uzun Kısa Süreli Bellek Ağları (LSTM) gibi yöntemler kullanılarak EEG sinyallerinde gürültü giderme gerçekleştirilecektir. CNN-AE'ler ve LSTM-AE'ler olmak üzere iki hibrit model oluşturularak farklı sayıda katmanlar denenerek elde edilen EEG Sinyal-Gürültü Oranı (SNR) değerleri Temel Bileşenler Analizi(PCA) yöntemi ile karşılaştırılmıştır. Bu çalışmanın sonunda hibrit derin öğrenme modellerinin uygun parametreler kullanılarak eğitilmesi ile daha iyi sonuçlar elde edilmiştir.
Özet (Çeviri)
The development of brain abnormalities is tracked using the EEG. It is also used to evaluate individuals who are dealing with brain-related problems, such as patients with schizophrenia. Noises of many kinds contaminate EEG recordings, which makes it difficult to properly analyze the brain signals. It is critical to eliminate unwanted noise from the signals since patient EEG records are crucial for assessing any type of brain disorder. To obtain reliable data on brain activity and prevent errors in its interpretation, the EEG noise removal technique aims to decrease physiological interference. Maintaining a clear and functional signal requires noise cancellation and reduction. Because some signals, like the EEG, are non-stationary, the statistical feature of noise is difficult to understand. In the past year, a variety of methods have been put out to reject various types of noise in EEG signals. However, optimized results have not yet been obtained. In this thesis, a new method will be developed to improve noise removal results using deep learning algorithms. Hybrid deep learning algorithms were created. Noise removal was performed on EEG signals using methods such as Autoencoders(AEs), Convolutional Neural Networks (CNN), and Long Short-Term Memory Networks (LSTM). Two hybrid models, CNN-AEs and LSTM-AEs, were created. EEG Signal-Noise Ratio(SNR) values obtained by trying different numbers of layers were compared with the Principal component analysis(PCA) method. At the end of this study, better training results were obtained with appropriate hyperparameters in hybrid deep learning models.
Benzer Tezler
- EEG sinyallerinden gürültünün temizlenmesi için harmoni arama algoritması temelli yöntemlerin geliştirilmesi
Development of the harmony search algorithm based techniques for removing noise from EEG signals
SERHAT CELİL İLERİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERCAN DEMİRCİ
- New metods for noise removal in digital image processing
Başlık çevirisi yok
ÖZGÜR UYSAL
Yüksek Lisans
İngilizce
2000
Endüstri ve Endüstri MühendisliğiFatih ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. M. SABİH AKSOY
- Beyin görüntülerindeki gürültülerin derin öğrenme kullanılarak giderilmesi
Noise removal in brain images using deep learning
TUĞBA TOPDAĞ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE KARAKIŞ
- Görüntülerdeki dürtü gürültüsünün giderilmesi için bazı süzgeç yaklaşımları
Some filtering approaches for the removal of impulsive noise in images
PELİN ALTINIŞIK
Doktora
Türkçe
2010
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HATİCE SEZGİN
- Medikal görüntülerdeki darbe gürültüsünün makine öğrenme teknikleri ile giderilmesi
Removal of impulse noise in medical images with machine learning techniques
CAFER BUDAK
Doktora
Türkçe
2014
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA TÜRK