Detection of P300 component in single trials using an artificial neural network
P300 dalgasının bir tek kayıtta yapay sinir ağı ile belirlenmesi
- Tez No: 76561
- Danışmanlar: DOÇ. DR. HALİL ÖZCAN GÜLÇÜR
- Tez Türü: Yüksek Lisans
- Konular: Tıbbi Biyoloji, Medical Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1998
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Bir işitme“oddball paradigması”denemesinden, P300 dalgasını sınıflandırabilmek için geriyayılım öğrenme yöntemine dayalı bir yapay sinir ağı gerçekleştirildi. Öğrenme döneminden sonra yapay sinir ağının, verilen yanıtları uygulanan seyrek (hedef) ve genel (hedef olmayan) uyarımın cinsine göre iki sınıfa ayırması beklendi. Geriyayılım öğrenme yönteminin en zayıf yanlarından biri olan gereğinden fazla öğrenmeyi önlemek için erken durdurma ve 10'lu çapraz onaylama uygulandı. Toplam veri kümesi 10 alt kümeye bölündü. Bunların sekiz tanesi öğrenme kümesi için kullanıldı. Bir alt küme onaylama kümesi için, ve geriye kalan, deneme kümesi için kullanıldı. Öğrenme, onaylama ve deneme kümelerinin bütün olası bileşimleri (90) dikkate alındı. Herhangi bir arıtma uygulanmamış veri kümesi ile öğretildikten sonra, yapay sinir ağı yanıtların %72'sini doğru sınıflandırabilmiştir. Ağ tarafından yanlış sınıflandırılan yanıtların ortalamaları çizilmiştir. Seyrek uyarımın sebep olduğu ancak ağ tarafından hedef olmayan olarak sınıflandırılan yanıtların, normal hedef uyarıma verilen yanıtlarındaki en belirgin parça olan P300'ü içermediği görülmüştür. Buna karşılık, hedef olarak sınıflandırılan ancak genel uyarımın sebep olduğu yanıtlar P300 içermiştir. Basit bir veri arıtma yöntemi önerilmiş, sinir ağının öğretiminden önce veri kümesine, uygulanmıştır. Arıtmadan sonra sinir ağı %96 doğru sınıflandırma başarısı göstermiştir. Beklenmedik yanıtların görülüp görülmediğini görmek için, 19 denekten alınan yanıtlar sinir ağında bireysel olarak denenmiştir. Beklenmedik yanıtların her denek tarafından bir miktar üretildiğine ilişkin sonuçlar bir tabloda sunulmuştur.
Özet (Çeviri)
In order to classify the P300 wave in single trials of an auditory oddball paradigm, an artificial neural network based on backpropagation error learning algorithm is implemented. After training, the neural network is expected to classify the responses into two categories according to the applied rare (target) and common (non-target) stimuli types. To prevent overfitting, which is one of the most important weaknesses of the backpropagation, early stopping and 10-fold cross-validation are applied. The total data set is divided into 10 subsets. Eight of these are used for training the net. One of the remaining subsets is used for validation and the other is used for testing. All the possible combinations (90) of training, validation and test sets are considered. The neural network, after training with the original data set without any purification, can classify 72% of the responses correctly. The averages of the responses classified incorrectly by the network are plotted. It is observed that the responses to the target stimuli, classified as non-target by the network, contain no P300, which is the most obvious component in normal responses to the target stimuli. In turn, the responses to the non-target stimuli, classified as target by the network, contain the P300 wave. A simple data purification method is suggested and applied to purify the data set before training the neural network. After purification, the neural network shows an improved performance of 96% correct classifications. The responses from each of the 19 subjects are tested with the neural network individually to see whether or not unexpected responses are observed. The results are presented in a table indicating that each subject produces some number of the unexpected responses.
Benzer Tezler
- Ortam kontrol uygulamasına yönelik p300 tabanlı asenkron beyin bilgisayar arayüzü tasarımı ve uygulaması
Design and implementation of p300 based asyncronous brain computer interface for environment control applications
EDA AKMAN AYDIN
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. İNAN GÜLER
- Analysis and classification of spelling paradigm EEG data and an attempt for optimization of channels used
Heceleme paradigması EEG verisinin analizi ve sınıflandırılması ve en uygun kanalların kullanılması üzerine bir çalışma
ASİL YILDIRIM
Yüksek Lisans
İngilizce
2010
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
PROF. DR. UĞUR HALICI
- Psikofizyolojik ölçüm tabanlı beyin bilgisayar arayüz sistemlerinde performans artırmaya yönelik bir çalışma
A study on performance increasing in psychophysiological measurement based brain-computer interface systems
ERDEM ERKAN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKBABA
- Video surveillance and ERP-based BCIs as anomaly detection: New methods and dataset
Anomali tespiti olarak video gözetimi ve olay ilgili potansiyel tabanlı BBA: yYeni yöntemler ve veri seti
MEHMET YAĞAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Uyaran zamanlaması parametrelerinin optimize edilerek P300 sinyallerinin hızlı belirlenmesi
Rapid detection of P300 signals by optimizing parameters of stimulus timing
KÜBRA SAKA
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER AYDEMİR