Geri Dön

Akıllı EEG tasarımı

Başlık çevirisi mevcut değil.

  1. Tez No: 794531
  2. Yazar: İBRAHİM DURSUN
  3. Danışmanlar: PROF. DR. MEHMET AKIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: EEG, Epilepsi, Şizofreni, Uyku, Destek Vektör Makineleri, K En Yakın Komşu, EEG, Epilepsy, Schizophrenia, Sleep, Support Vector Machines, K Nearest Neighbor
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 102

Özet

EEG sinyalleri günümüzde epilepsi, şizofreni gibi hastalıkların tespitinde olduğu gibi birçok alanda yaygın bir şekilde kullanılmaktadır. Bu çalışmada da EEG sinyalleri kullanılarak epilepsi, şizofreni hastalığı, uyku halinin tespiti ve düşünce ile sağ – sol imleç hareketinin tespiti taşınabilir bir Dijital Sinyal İşleme (DSP) kartıyla tespit edilmeye çalışılmıştır. Uyku tespiti yapılırken Ankara Gülhane Askeri Tıp Akademisi Ruh Sağlığı ve Hastalıkları Anabilim Dalı Uyku laboratuvarında kaydedilmiş olan EEG sinyalleri kullanılmıştır. Bu sinyaller 10 saniyelik bölütler halinde gruplandırılmış ve bu bölütlerin güç yoğunluk spektrumları elde edilmiştir. Elde edilen bu güç spektrum yoğunluklarının; çarpıklık(skewness), medyan, entropi, basıklık (kurtosis), standart sapma ve ortalama özellikleri alınıp Destek Vektör Makinaları (DVM) ve K En Yakın Komşu (KNN) sınıflandırıcılarıyla sınıflandırılmıştır. DVM ile %97 başarı elde edilmiştir ve DVM modeli Matlab Simulink ortamında oluşturulmuştur. Epilepsi hastalığı tespiti yapılmaya çalışırken Bonn Üniversitesi veri seti kullanılmıştır. Bu veri seti (A,B,C,D,E) olmak üzere 5 farklı sınıftan oluşmaktadır. Bu sınıflardan A(sağlıklı) ve E(Epilepsi hastası) kullanılmıştır. Bu iki sınıfın çarpıklık (skewness), medyan, entropi, basıklık(kurtosis), standart sapma ve ortalama özellikleri elde edilip DVM ve KNN sınıflandırıcılarının girişine uygulanmıştır. DVM ile %100 başarı elde edilmiştir ve DVM modeli Matlab Simulink ortamında oluşturulmuştur. Şizofreni hastalığı veri seti CEONREPOD veri paylaşım kaynağından elde edilmiştir. Bu veri seti 8.derecden Butterworth IIR bant geçiren filtresinden geçirilip Gama(30 – 45 Hz) ve Beta(13 – 30 Hz) bantları elde edilmiştir. Bu bantların frekans domeni ve güç spektrum yoğunlukları elde edilerek çarpıklık(skewness), basıklık (kurtosis) ve ortalamaları alınmış olup DVM ve KNN sınıflandırıcılarının girişine verilmiştir. DVM sınıflandırıcısı ile %96 başarı elde edildiğinden dolayı Matlab Simulink ortamında oluşturulmuştur. Sağ – Sol imleç hareketi için ise Graz Üniversitesi tarafından yapılan yarışmada kullanılan veri setlerinden biri kullanılmıştır. Bu veri setinden sadece sağ el motor hayali ve sol el motor hayali kullanılmıştır. Sinyallerdeki gürültüleri gidermek için Recursive Least Square(RLS) adaptif filtre algoritması kullanılmıştır. Simulink ortamında oluşturulan modeller bir model altında birleştirilip Matlab Grafik Arayüzü(GUI) ortamında bir kullanıcı arayüzü oluşturularak sonuçlar burada gösterilmiştir.

Özet (Çeviri)

EEG signals are widely used in many areas such as detection of diseases Epilepsy and Schizophrenia. In this study, using EEG signals, Epilepsy, Schizophrenia, Detection of sleep state and Thought and right - left cursor movement are tried to be detected with a portable Digital Signal Processing(DSP) card. EEG signals recorded at Ankara Gulhane Military Medical Academy Department of Mental Health and Diseases Sleep Laboratory were used for the determination of sleep. These signals are grouped into 10-second segments and power intensity spectra of these segments are obtained. The obtained power spectral densities; skewness, median, entropy, kurtosis, standard deviation and mean characteristics were taken and classified into Support Vector Machines (SVM) and K Nearest Neighbor (KNN) classifiers. 97% success was achieved with SVM model and was created in Matlab Simulink environment. University of Bonn data set was used to determine Epilepsy. This data set consists of 5 classes (A, B, C, D, E). A(healthy) and E(Epilepsy patient) were used in these classes. Skewness, median, entropy, kurtosis, standard deviation and mean properties of these two classes were obtained and applied to the entry of SVM and KNN classifiers. 100% success was achieved with SVM and SVM model was created in Matlab Simunlink environment. Schizophrenia disease data set was obtained from CEONREPOD data sharing source. This data set was passed through Butterworth IIR bandpass filter from 8th degree to obtain Gamma(30 - 45 Hz) and Beta(13 - 30 Hz) bands. The frequency domain and power spectrum densities of these bands were obtained and skewness, kurtosis and averages were taken and given to the input of SVM and KNN classifiers. It was created in Matlab Simulink environment with 96% success with SVM classifier. One of the data sets used in the competition held by the University of Graz was used for the right - left cursor movement. From this data set, only the right hand and the left hand engine imagination were used. Recursive Least Square(RLS) adaptive filter algorithm is used to purify the noise in the signal. The models created in Simulink environment are combined under a model and a user interface is created in Matlab Graphical Interface (GUI) environment and the results are shown here.

Benzer Tezler

  1. Bulut tabanlı kablosuz EEG kayıt sisteminin tasarımı ve gerçeklemesi

    Design and implementation of a cloud-based wireless EEG recording system

    HASAN BİTAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CENGİZ TEPE

  2. EEG controlled semi-autonomous mobile vehicle design and implementation

    EEG kontrollü yarı otonom mobil araç tasarımı ve gerçeklenmesi

    HÜSEYİN TANZER ATAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA İNCİ ÇİLESİZ

  3. Biyomedikal işaret tabanlı kontrol sistem tasarımı

    Biomedical signal-based control system design

    MUSTAFA GÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU ERKMEN

  4. EOG sinyal tabanlı imleç sistemi tasarımı ve uygulaması

    EOG signal based cursor system design and implementation

    ABDALRAHMAN SKHETA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyomühendislikMarmara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZMİ EKREN

  5. Biyonik el kontrolü için EMG işaretlerininin makine öğrenmesi yöntemiyle sınıflandırılması

    Wavelet transformation and classification with machine learning methods of electromyography signals for bionic hand control

    DUYGU BAĞCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OSMAN HİLMİ KOÇAL