Geri Dön

Feature extraction for EEG motor imagery signals using a deep neural network

Derin sinir ağı kullanarak motor imgeleme EEG sinyalleri için öznitelik çıkarımı

PDF İndir

  1. Tez No: 826729
  2. Yazar: RIDVAN SOYSAL
  3. Danışmanlar: PROF. DR. UĞUR HALICI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 123

Özet

Derin öğrenme yöntemleri, geleneksel makine öğrenmesi yöntemlerine göre genellikle daha iyi sonuçlar verebilmekte, daha karmaşık yapıdaki veriler ile çalışmaya olanak sağlamaktadır. Ayrıca ham veri üzerine doğrudan çalışılabildiği için ilave bir öznitelik çıkarımı adımı ihtiyacı da bulunmamaktadır. Fakat derin öğrenmenin bu avantajlarından faydalanabilmek için yüksek miktarda veriye ihtiyaç bulunmaktadır. Bu çalışmada, EEG motor imgeleme (MI) sınıflandırma alanında derin öğrenme yöntemlerinin kullanımını inceledik. Geçtiğimiz yıllarda, birçok araştırmacı bu konuyla ilgili derin öğrenme yöntemlerini uygulasa da, çalışmalarda sıkça kullanılan EEG MI sinyal veri setlerinin derin öğrenme yöntemleri için yeterli miktarda veri içermediğini gözlemledik. Bu tezde, EEG motor imgeleme sinyalleri sınıflandırması üzerinde, derin öğrenme yöntemlerinin avantajlarından daha fazla faydalanabilmek için, veri toplama protokolleri birbirinden farklı olduğundan beraber kullanılamayan veri setlerinin birleştirilmesi için çözüm araştırdık. Mevcutta erişilebilir olan fakat az miktarda veri içeren sinyal veri setlerini birleştirerek daha büyük bir MI veri seti elde ettik ve bu büyük seti, MI sinyalleri için bir öznitelik çıkarıcı olarak kullanmak üzere tasarladığımız evrişimsel otokodlayıcı (CAE) tabanlı derin öznitelik çıkarıcı (DFE) sinir ağını eğitmek için kullandık. Daha sonra, eğittiğimiz DFE sinir ağını, daha küçük veri setlerinde öznitelik çıkarıcı olarak kullandık. Deneysel sonuçlarımız, kullandığınız DFE ağının EEG MI sinyal sınıflandırma başarımını artırdığını göstermektedir.

Özet (Çeviri)

Compared to traditional machine learning methods, deep learning methods generally have better performance, and they are more able to handle complex data. Moreover, these models learn the features directly from the raw data, eliminating the need for additional feature extraction step. However, in order to benefit from these advantages, deep learning methods need high amount of data. In this study we examined the use of deep learning methods in the field of EEG motor imagery signal (MI) classification. Although in recent years, many researchers have been applying deep learning methods in this area, we notice that EEG MI signal datasets that are highly used in these researches have insufficient amount of data for deep learning. In this thesis, in order to benefit more from advantages of deep learning methods on EEG MI signal classification we looked for a solution to combine the datasets collected in different studies which cannot be combined directly due to variations in the protocols used in collecting data. After combining available datasets each having little amount of data, we created a larger dataset and used this mega-dataset to train a convolutional autoencoder (CAE) based network that can be used as a deep feature extractor (DFE) for MI signals. Afterwards, trained DFE network is tested as a feature extractor for small datasets. Our experimental results show that using such DFE network improves the performance of EEG MI signal classification on these datasets.

Benzer Tezler

  1. Tez No

    834781

    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

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

  2. Tez No

    892862

    Elektroensefalografi tabanli beyin bilgisayar arayüzü sistemlerinde kullanilan kanallarin duygu tanima performans analizi

    Emotion recognition performance analysis of electroencephalography based brain computer interface systems

    FURKAN DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR ONAY DURDU

  3. Tez No

    443839

    İki serbestlik dereceli hareket kontrolü için zihinsel görev sınıflandırma tabanlı beyin- bilgisayar arayüzü tasarımı

    Mental task classification based brain-computer interface design for 2 dof movement control

    ÇAĞLAR UYULAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Nörobilim Ana Bilim Dalı

    YRD. DOÇ. DR. TÜRKER TEKİN ERGÜZEL

  4. Tez No

    642057

    Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition

    Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım

    MASTANEH TORKAMANI AZAR

    Doktora

    İngilizce

    İngilizce

    2020

    BiyomühendislikSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

    Prof. Dr. SELİM SAFFET BALCISOY

  5. Tez No

    531076

    A comparative analysis of coherence measures for electroencephalography

    Elektroensefalografi için uyumluluk ölçütlerinin karşılaştırmalı analizi

    SERHAT ÇAĞDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji Enstitüsü

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE KARAÇALI

Geri Dön