Elektroensefalografi işaretlerinin makine öğrenme tabanlı sınıflandırılmasında en iyi öznitelik seçiminin araştırılması
Investigation of the best feature selection in the machine learning based classification of electroencephalography signs
- Tez No: 818906
- Danışmanlar: DOÇ. DR. CENGİZ TEPE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Anksiyete, üretkenliği ve yaşam kalitesini etkilediği kadar insan yeteneklerini ve davranışlarını da etkiler. Depresyon ve intiharın ana nedeni olarak kabul edilebilir. Günümüzde klinisyenler anksiyete bozukluklarını teşhis etmek için belirli kriterler kullanılmaktadır. Anksiyete tespitinin karmaşık görevini yerine getiren, invaziv olmayan güvenilir tekniklere ihtiyaç vardır. Bu çalışma, elektroensefalografi (EEG) sinyallerini analiz ederek ikili ve dörtlü sınıfları daha az EEG kanalı ve öznitelik sayısı kullanarak sınıflandırmayı amaçlamıştır. 23 kişinin 14 kanallı EEG sinyalini içeren DASPS veri tabanı kullanılmıştır. EEGLAB kullanarak 14 kanaldan 4 kanal seçilmiştir. Öznitelik çıkarımı için dalgacık dönüşümü, fourier dönüşümü ve istatistiksel yöntemler kullanılmıştır. MATLAB sınıflandırma öğrenicisi araç kutusundaki 4 farklı yöntem ile sınıflandırma yapılmıştır. En yüksek doğrulukta oranları, ikili sınıflandırmada %68,3 doğrulukta destek vektör makinesi, dörtlü sınıflandırmada %61 doğrulukta destek vektör makinesi ile elde edilmiştir.
Özet (Çeviri)
Anxiety affects productivity, quality of life, human abilities and behaviors. It can be considered the main cause of depression and suicide. Clinicians today use specific criteria to diagnose anxiety disorders. There is a need for reliable, non-invasive techniques to perform the complex anxiety detection task. This study aimed to classify binary and four-class categories by analyzing electroencephalography (EEG) signals with fewer EEG channels and features. The DASPS database was used, containing EEG signals from 23 individuals with 14 channels. Using EEGLAB, 4 channels were selected from 14 channels. The wavelet transform, Fourier transform, and statistics were used for feature extraction. The classification was performed using four methods from the MATLAB Classification Learner Toolbox. The highest accuracy rates were achieved with support vector machines for binary classification with 68.3% accuracy and with support vector machines for four-class classification with 61% accuracy.
Benzer Tezler
- Classification of ten different motor imagery eeg signals by using deep neural networks
On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması
NURİ KORHAN
Doktora
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Elektroensefalografi işaretlerinin makine öğrenmesi algoritmaları ile incelenmesi ve sınıflandırılması
Analysis and classification of electroencephalography signal using machine learning algorithms
ŞULE BEKİRYAZICI
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ YILMAZ
- Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi
DCT based analysis of 1D and 2D biomedical signal
FATMA DEMİREZEN YAĞMUR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- EEG işaretlerinden dikkat eksikliği ve hiperaktivite bozukluklarının makine öğrenmesi yöntemleri ile belirlenmesi
Attention deficit and hyperactivity from EEG signs determination of disorders by machine learning methods
BUĞRA KARAKAŞ
Yüksek Lisans
Türkçe
2024
Çocuk Sağlığı ve HastalıklarıFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Derin öğrenme yöntemleri kullanarak EEG işaretlerinden uyku apne sendromu tespiti ve sınıflandırılması
Detection and classification of sleep apnea syndrome from EEG signals using deep learning methods
KÜBRA TANCI
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT HEKİM