Deep learning classification of cognitive workload levels from EEG wavelet transform images
EEG dalgacık dönüşüm görüntülerinden bilişsel yük seviyelerinin derin öğrenme ile sınıflandırılması
- Tez No: 829676
- Danışmanlar: DOÇ. DR. MURAT PERİT ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişsel Bilim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Electroencephalogram (EEG) signals provide a non-invasive method to study cognitive processes. This study aimed to classify Multi-Attribute Task Battery (MATB) task difficulties based on wavelet transform images of EEG signals using deep learning models. An EEG dataset collected from 29 subjects while performing the MATB tasks of varying difficulties by Hinss et al. (2023) were transformed into wavelet images that can accommodate time-frequency information at the same time for further analysis. Three deep learning models, EfficientNet-B0, ResNet18, and ResNet50, were trained and tested on these images under different conditions, including pretrained and non-pretrained models, and using different optimizers. The models' performance was evaluated based on overall accuracy and accuracy by subject, session, and task difficulty. The pretrained EfficientNet-B0 model achieved the highest overall accuracy (67.52%). However, the performance varied significantly across subjects and task difficulties, indicating limited generalizability. The model's accuracy was lower for medium tasks, suggesting difficulty in distinguishing between medium and other levels of difficulty. While deep learning models can achieve high accuracy in classifying MATB task difficulty based on EEG signals, their performance varies across individuals and task difficulties. Further research is needed to improve model generalizability, optimize performance across all task difficulties, and validate the models on larger and more diverse datasets.
Özet (Çeviri)
Electroensefalografi (EEG) sinyalleri, bilişsel süreçleri incelemek için invaziv olmayan bir yöntem sunmaktadır. Bu çalışma, derin öğrenme modellerini kullanarak EEG sinyallerinin dalgacık (wavelet) dönüşüm görüntülerine dayalı olarak Çoklu Özellik Görev Bataryası (MATB) görev zorluklarını sınıflandırmayı amaçlamıştır. Tez çalışması kapsamında MATB görevlerini değişen zorluk seviyelerinde gerçekleştiren 29 denekten toplanan EEG verilerini içeren ve Hinss ve ark. (2023) tarafından toplanmış olan veri seti ilk aşamada zaman-frekans bilgilerini bir arada temsil edebilen dalgacık görüntülerine dönüştürülmüştür. EfficientNet-B0, ResNet18 ve ResNet50 olmak üzere üç derin öğrenme modeli, bu görüntüler üzerinde, önceden eğitilmiş ve eğitilmemiş modeller ile farklı optimizasyon algoritmaları kullanılarak eğitilmiş ve test edilmiştir. Modellerin performansı, genel doğruluk skoru, denek başına doğruluk, seansa göre doğruluk ve görev zorluğuna göre doğruluk temel alınarak değerlendirilmiştir. Önceden eğitilmiş EfficientNet-B0 modelinin en yüksek genel doğruluk skorunu (%67.52) sağladığı gözlenmiştir. Ancak performansın denekler ve görev zorlukları arasında önemli ölçüde değişkenlik göstermesi genellenebilirlik bakımından bazı sınırlılıkların olduğuna işaret etmektedir. Modelin doğruluk skorunun orta seviye görevler için daha düşük olması, orta seviye ve diğer zorluk seviyeleri arasında ayrım yapmada zorluk yaşandığını göstermiştir. Model genellenebilirliğini iyileştirmek, tüm görev zorluklarına göre performansı optimize etmek ve modelleri daha büyük ve daha çeşitli veri setlerinde doğrulamak için daha fazla araştırma yapılması gerekmektedir.
Benzer Tezler
- Biberiye esansiyel kokusunun öğrenme üzerindeki etkisinin EEG sinyalleri kullanılarak yapay zeka algoritmaları ile incelenmesi
Investigation of the effect of rosemary essential odor on learning with artificial intelligence algorithms using EEG signals
EVİN ŞAHİN SADIK
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMDİ MELİH SARAOĞLU
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- 3b MRI ve hasta bilgileri kullanarak derin öğrenme ile alzheimer hastalığının erken teşhisi
Early detection of alzheimer's disease with deep learning using 3d MRI and patient informations
ARMAN ATALAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAT ADAR
- EEG sinyallerinin zaman-frekans gösterimlerinin derin öğrenme ile analizi sonucu alzheimer hastalığının tespiti
Detection of alzheimer disease through deep learning analysis of EEG signals' time-frequency representations
MERAL ASLAN DİL
Yüksek Lisans
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN
- Multipl skleroz hastalarında telerehabilitasyonun nöroplastisite üzerindeki etkisinin nöropsikometrik testlerle ve EEG spektral analizi ile değerlendirilmesi
Evaluation of the effect of telerehabilitation on neuroplasticity in multiple sclerosis patients by neuropsychometric tests and EEG spectral analysis
MERVE GÜLER
Tıpta Uzmanlık
Türkçe
2022
NörolojiKütahya Sağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. SİBEL CANBAZ KABAY