Geri Dön

EEG sinyallerini kullanan makine öğrenmesi tabanlı kategorik duygu sınıflandırma modeli

Machine learning-based categorical emotion classification model using EEG signals

  1. Tez No: 800249
  2. Yazar: HAKAN KÖKSAL
  3. Danışmanlar: DOÇ. DR. MEHMET BAYĞIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ardahan Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Son yıllarda otomatik duygu tespiti ve sınıflandırma literatürde sıklıkla çalışılan konuların başında gelmektedir. Duygular, bireylerin dış dünyayla olan ilişkilerinde, aldığı kararlarda ve eylemlerde etkili olmaktadır. Bu nedenle duygu tanıma insan bilgisayar etkileşiminde önemli bir role sahiptir. Literatür çalışmaları duyguların tespitinde EEG sinyallerinin bazı nörolojik ve beyinsel aktiviteleri tespit edebileceğini göstermektedir. Bu tez çalışmasında, duyguların tespiti ve analizi için ayırt edici nitelik taşıyan sinyaller üretildiğinden EEG sinyalleri kullanılmıştır. Bu kapsamda özgün bir veri seti oluşturulması ve EEG sinyal yorumlaması için etkili yöntemler önerilerek yüksek doğruluğa sahip otomatik duygu tanıma için yeni bir makine öğrenmesi modeli geliştirilmesi amaçlanmıştır. Yeni geliştirilen bu modelle, özgün veri seti kullanılarak özellik çıkarma, özellik seçimi ve sınıflandırma olmak üzere makine öğrenmesi modelinin tüm aşamaları gerçekleştirilmiştir. Bu çalışmada, VitC-Pat (Vitamin C Pattern) tabanlı bir özellik çıkarıcı önerilmiştir. Ek olarak, EEG sinyallerini alt bantlara ayırmak için Ayrık Dalgacık Dönüşümü (DWT) tabanlı decomposition yöntemi kullanılmıştır. Geliştirilen modelin özellik çıkarma fazında VitC-Pat, Yerel İkili Örüntüler (LBP) ve istatistiksel yöntemler kullanılmıştır. Makine öğrenmesi modelinin ikinci fazında özellik seçme işlemi uygulanmıştır. Bu aşamada, İteratif Komşuluk Bileşen Analizi (INCA) yöntemi kullanılmış olup, geliştirilen modelin son aşamasında ise Destek Vektör Makineleri (SVM) kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Tez çalışması kapsamında özgün olarak toplanan veri seti üzerinde test edilen bu model ile Arousal ekseni için %92.74 ve Valence için %96.85 doğruluk değerleri sağlanmıştır.

Özet (Çeviri)

In recent years, automatic emotion detection and classification is one of the most frequently studied topics in the literature. Emotions are effective in individuals' relations with the outside world, in their decisions and actions. Therefore, emotion recognition has an important role in human-computer interaction. Literature studies show that EEG signals can detect some neurological and cerebral activities in detecting emotions. In this thesis, EEG signals were used as distinctive signals were produced for the detection and analysis of emotions. In this context, it is aimed to develop a new machine learning model for automatic emotion recognition with high accuracy by creating a unique data set and proposing effective methods for EEG signal interpretation. With this newly developed model, all stages of the machine learning model, including feature extraction, feature selection and classification, were carried out using the original data set. In this study, a feature extractor based on VitC-Pat (Vitamin C Pattern) is proposed. In addition, the Discrete Wavelet Transform (DWT) based decomposition method was used to separate the EEG signals into subbands. In the feature extraction phase of the developed model, VitC-Pat, Local Binary Patterns (LBP) and statistical methods were used. In the second phase of the machine learning model, feature selection is applied. At this stage, the Iterative Neighborhood Component Analysis (INCA) method was used, and in the last stage of the developed model, the classification process was carried out using Support Vector Machines (SVM). With this model, which was tested on the data set originally collected within the scope of the thesis study, accuracy values of 92.74% for the Arousal axis and 96.85% for Valence were provided.

Benzer Tezler

  1. Biyomedikal sinyaller üzerinden makine öğrenmesi modelleri ile biyometrik kişi tanıma

    Biometric person recognition with machine learning models based on biomedical signals

    BEYZA ERASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBandırma Onyedi Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KUTLUCAN GÖRÜR

  2. Probabilistic graphical models for brain computer interfaces

    Probabilistic graphical models for brain computer interfaces

    JAİME FERNANDO DELGADO SAA

    Doktora

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  3. Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti

    Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods

    ZÜLFİKAR ASLAN

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  4. Development of adaptive human-computer interaction games to evaluate attention

    Dikkat seviyesini değerlendirmek için adaptif insan-bilgisayar etkileşimi oyunlarının geliştirilmesi

    HASAN KANDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE KÖSE

  5. Makine öğrenmesi algoritmaları kullanılarak glossokinetik potansiyel tabanlı dil-makine arayüzü tasarımı

    Glossokinetic potential based tongue-machine interface design using machine learning algorithms

    KUTLUCAN GÖRÜR

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET RECEP BOZKURT

    PROF. DR. FEYZULLAH TEMURTAŞ