Improving classification of eeg-based motor imagery signals with cross-subject data augmentation and attention-guided multi-domain deep learning
Denekler-arası veri artırımı ve dikkat-odaklı çok alanlı derin öğrenme yoluyla eeg-tabanlı motor imgeleme sinyallerinin sınıflandırılmasının iyileştirilmesi
- Tez No: 810251
- Danışmanlar: PROF. DR. SERHAT ÖZEKES, DR. ÖĞR. ÜYESİ EMİNE ELİF TÜLAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Nöroloji, Computer Engineering and Computer Science and Control, Engineering Sciences, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Motor İmgeleme Tabanlı Beyin-Bilgisayar Arayüzleri (MI-BCI'ler), motor engelli bireylerin rehabilitasyonu ve protez cihazlarının kontrolünü iyileştirme potansiyelleri sayesinde son yıllarda büyük ilgi görmüştür. Bununla birlikte, elektroensefalogram (EEG) verilerindeki yüksek miktarda denekler arası değişkenlik ve durağansızlık nedeniyle, motor imgeleme sinyallerinin doğru bir şekilde sınıflandırılması zorlu bir görev olmaya devam etmektedir. Veriye erişimin sınırlı olduğu MI-BCI'ler için, EEG verilerinin elde edilmesi zor olabilir. Bu çalışmada, çeşitli veri artırma teknikleri, Uyarlanabilir Denek-Arası Segment Değiştirme (ACSSR) olarak adlandırılan, önerilmiş olan denekler arası veri artırma tekniği ile karşılaştırılmıştır. Bu teknik, benzer denek çiftlerinin MI-BCI'lerin sınıflandırma doğruluğunu iyileştirmek için birbirinden faydalanmasına izin verir. 4 sınıflı BCI Competition IV Dataset 2a üzerinde yapılan çalışma kapsamında, kayan pencere tekniği ile ortak uzamsal örüntüler (CSP) ve paralel iki dallı evrişimli sinir ağı (CNN) kullanan çok alanlı özellik çıkarımı tanıtılmıştır. Ek olarak, CNN'nin zamansal dalı için uzamsal özelliklerden yararlanarak zamansal konumlara seçici olarak ağırlık atamak için bir dikkat mekanizması dahil edilmiştir. Deneysel sonuçlar, ACSSR yönteminin uygulanmasının, veri artırma olmadan sınıflandırmaya kıyasla %3'lük bir artışla sınıflandırma doğruluğunda önemli bir iyileşmeye yol açtığını ve %80.45'lik bir doğrulukla sonuçlandığını göstermiştir. Çalışma, ACSSR yönteminin motor imgeleme sinyali sınıflandırmaları sırasında karşılaşılan önemli zorlukları aşabilme yeteneğini göstererek, etkili MI-BCI'lerin geliştirilmesine yönelik ilerlemelere katkıda bulunmaktadır.
Özet (Çeviri)
Motor Imagery-based Brain-Computer Interfaces (MI-BCIs) have gained a lot of attention in recent years thanks to their potential to enhance rehabilitation and control of prosthetic devices for individuals with motor disabilities. However, accurate classification of motor imagery signals remains a challenging task due to the high inter-subject variability and non-stationarity in the electroencephalogram (EEG) data. In the context of MI-BCIs, with limited data availability, acquisition of EEG data can be difficult. In this study, several data augmentation techniques have been compared with the proposed cross-subject data augmentation technique called Adaptive Cross-Subject Segment Replacement (ACSSR). This technique allows for similar subject pairs to take advantage of one another to improve the classification accuracy of MI-BCIs. Within the scope of the study, which has been conducted on the 4-class BCI Competition IV Dataset 2a, a multi-domain feature extraction employing common spatial patterns (CSP) with a sliding window technique and a parallel two-branch convolutional neural network (CNN) are introduced. Additionally, an attention mechanism is included to selectively assign weights to temporal locations making use of spatial features for the temporal branch of the CNN. Experimental results indicated that the implementation of the ACSSR method has led to a considerable improvement in the classification accuracy with a 3% increase compared to the classification without data augmentation, resulting in an accuracy of 80.45%. The study contributes to the advancements for the development of effective MI-BCIs by showcasing the ability of the ACSSR method to address the significant challenges in motor imagery signal classification tasks.
Benzer Tezler
- Eeg sinyallerinin sınıflandırma performansını yeni bir rastgele alt küme kanal seçim yaklaşımıyla geliştirme: Tat, koku ve motor hayaline dayalı veri kümelerinde uygulamalar
Improving the classification performance of eeg signals with a novel random subset channel selection approach: Applications on taste, olfactory, and motor imagery datasets
AMIR NASER
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖNDER AYDEMİR
- 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
- Çalışma belleği ve negatif değerlikli duyguların EEG tabanlı kestirim sistemi
EEG based working memory and negative emotional valence estimation system
BORA CEBECİ
Doktora
Türkçe
2021
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Emotion classification with EEG signals using convolutional neural networks
EEG sinyallerinden evrişimsel sinir ağları kullanımı ile duygu sınıflandırması
HAYRİYE DÖNMEZ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması
Sleep scoring in physiological signals by deep learning-based algorithms
HASAN ZAN
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ