EEG sinyallerini kullanan makine öğrenmesi tabanlı kategorik duygu sınıflandırma modeli
Machine learning-based categorical emotion classification model using EEG signals
- Tez No: 800249
- Danışmanlar: DOÇ. DR. MEHMET BAYĞIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ardahan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Elektrik ve Elektronik MühendisliğiBandırma Onyedi Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KUTLUCAN GÖRÜR
- Probabilistic graphical models for brain computer interfaces
Probabilistic graphical models for brain computer interfaces
JAİME FERNANDO DELGADO SAA
Doktora
İngilizce
2014
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- 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
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET RECEP BOZKURT
PROF. DR. FEYZULLAH TEMURTAŞ