Spatiotemporal graph convolutional neural networks for motor imagery EEG classification
Motor imgeleme EEG sınıflandırmasında uzay-zaman çizge evrişimli sinir ağları
- Tez No: 775895
- Danışmanlar: PROF. DR. AHMET ADEMOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Biyomühendislik, Mühendislik Bilimleri, Science and Technology, Bioengineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Elektroensefalografi (EEG) tıpta, nörobilimde ve nöral mühendislikte çeşitli uygulamalara sahiptir. Farklı nöron toplulukları arasındaki etkileşimin neden olduğu beyin dokularının elektriksel aktivitesini kaydeder. EEG sinyallerinin otomatik olarak sınıflandırılması için çok sayıda algoritma geliştirilmiştir. Bu algoritmalar, EEG sinyallerinden özgün ve yinelenmeyen özellikler çıkararak çalışır. Bununla birlikte, önerilen algoritmaların çoğu, EEG sinyallerinin zamansal bileşenlerini kullanırken onu üreten zengin uzamsal ağ yapısını göz ardı etmektedir. Bu çalışmada, EEG sinyallerinde uzamsal ve zamansal özelliklerin eşzamanlı kullanımı için EEG verilerinin ağ yapısını kullanan bir sınıflandırma ardışık düzeni önermekteyiz. İlk olarak, EEG ağlarını iki ayrı uzaysal alanda; i) sensör uzayı ve ii) kaynak uzayında modellemek için çizge kuramı kullanıldı. İkinci olarak, sınıflandırma işleminde EEG verilerinin hem zamansal hem de uzamsal özelliklerini birleştirmek için bir uzay-zaman çizge evrişimli sinir ağı (STGCNN) sınıflandırma modeli uygulandı. Ek olarak model, her bir dinlenme durumu beyin ağında oluşan kortikal kaynak verisi kullanılarak sınıflandırma doğruluk performansı incelendi. Çalışmanın sonuçları, STGCNN modelinin zamansal evrişimli sinir ağı (CNN) modellerine göre, % 1.25 oranında, az da olsa daha iyi performans sergilediğini göstermektedir.
Özet (Çeviri)
Electroencephalography (EEG) has various applications in medicine, neuro-science, and neural engineering. It records the electrical activity of the brain tissues caused by the interaction among different neuronal communities. Numerous algorithms for the automatic classification of EEG signals have been developed. These algorithms work via extracting unique and non-redundant features from EEG signals. However, the majority of the proposed algorithms employ temporal components of EEG signals while disregarding the rich spatial network structure that underlies in the EEG. In this study, we propose a classification pipeline that uses the network structure of EEG data for a simultaneous representation of spatial and temporal features in the EEG signals. First, graph theory is utilized to model the EEG networks in two spatial domains; i) the sensor space and ii) the cortical source space. Second, a spatiotem-poral graph convolutional neural network (STGCNN) classification model is employed combining both temporal and spatial features of EEG data for its classification under motor imagery conditions. Additionally, the model is tested using the cortical source space data in each of the seven resting state brain networks individually to estimate their performance on classification accuracy. The results show that STGCNN model performs slightly better than the temporal convolutional neural network (CNN) models by 1.25%.
Benzer Tezler
- Multitask learning of gene risk for autism spectrum disorder and intellectual disability
Otizm spektrum bozukluğu ve zeka geriliği için çok görevli gen risk öğrenimi
İLAYDA BEYRELİ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH ERCÜMENT ÇİÇEK
- Keyword search for sign language
İşaret dilinde anahtar kelime arama
NAZİF CAN TAMER
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT SARAÇLAR
- Developing a dynamic predictive policing system
Dinamik bir öngörücü polislik sistemi geliştirme
TUĞRUL CABİR HAKYEMEZ
Doktora
İngilizce
2022
Bilgi ve Belge YönetimiBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. BERTAN YILMAZ BADUR
- Spatiotemporal series analysis and forecasting: New deep learning architectures on weather and crime forecasting
Uzay-zamansal serilerde analiz ve tahminleme: Hava durumu ve suç tahmininde yeni derin öğrenme mimarileri
SELİM FURKAN TEKİN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
- Spatio-temporal forecasting over graphs with deep learning
Derin öğrenme ile çizgelerde uzay-zamansal tahminleme
EMİR CEYANİ
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
DR. SALİH ERGÜT