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
- Tez No: 834781
- Danışmanlar: PROF. DR. ZÜMRAY ÖLMEZ
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 129
Özet
Beyin-Makine Arayüzü (BMA), beyin ve makine arasında sürdürülebilir bir iletişim altyapısı oluşturmayı amaçlayan bir araştırma alanıdır. BMA'nın temel amacı, felçli bireylere işlevsellik kazandırmaktır, ancak oyun amaçlı uygulamalar için de kullanılabilir. Bu alanda, Elektroensefalografi (EEG) ve Fonksiyonel Manyetik Rezonans İmgeleme (fMRI) gibi çeşitli yöntemler kullanılabilir. Bu tez, EEG tabanlı BMA üzerinde yoğunlaşmakta ve özellikle derin sinir ağları kullanarak on farklı motor hareket hayali (MHH) görevinin sınıflandırılmasını araştırmaktadır. Motor hareket hayali, ilgili motor hareketi hayal etme sırasında elektrotlar aracılığıyla ölçülen kafa derisi üzerindeki potansiyel değişimlerinden yola çıkarak, hayal edilen hareketin tespit edilmesini amaçlayan bir BMA yöntemidir. BMA teknolojileri, özellikle felçli bireylerin yaşam kalitesini artırmak için önemli bir potansiyele sahiptir. Bu tezde, BMA teknolojilerine katkıda bulunabilmek için, derin sinir ağları kullanarak on farklı MHH-EEG sinyalinin sınıflandırılmasına odaklanılmıştır. Bu tezin ilk bölümünde, BMA'nın temel kavramları ve ilgili literatür incelenmiştir. MHH, hareketin gerçekleştirilmediği ancak beyinde planlandığı bir süreçtir. MHH-BMA sistemlerinde yaygın olarak kullanılan ve potansiyel uygulamaları olan bir yöntemdir. İkinci bölümde, MHH ile ilgili temel kavramlar ve araştırma alanındaki mevcut durum ele alınmıştır. Üçüncü bölümde, MHH paradigmasında komut sayısını artırmaya yönelik yöntemler incelenmiştir. Bu bağlamda, önceki çalışmalar ve bu tezde önerilen yöntemler ele alınmıştır. Dört basit BMA görevi kullanarak altı bileşik BMA görevi oluşturulmuş ve on sınıf üzerinde sınıflandırma yapılmıştır. Dördüncü bölümde, derin öğrenme yöntemlerinin özellikleri ve BMA sistemlerinde karşılaşılan sorunlara karşı geliştirilen yeni yöntemler tanıtılmıştır. Beşinci bölümde, yapılan deneyler ve elde edilen sonuçlar paylaşılmıştır. On farklı MHH-EEG sinyalinin sınıflandırılması için, diverjans temelli (sınıflar arası mesafeyi artırıp, sınıf içi mesafeleri oransal olarak azaltmaya dayalı) öznitelik çıkarımı (DivFE) kullanılarak derin sinir ağlarıyla yapılan sınıflandırma sonuçları analiz edilmiştir. Bu yöntem, sınıflar arası mesafeyi olabilecek en yüksek seviyeye çıkarmak ve sınıf içi farklılıkların tamamını minimize etmek için tasarlanmıştır. Altıncı ve son bölümde, elde edilen sonuçların önemi ve potansiyel araştırma yönleri tartışılmıştır. Bulgular, BMA teknolojilerinin ilerlemesine katkıda bulunmakta ve on farklı MHH-EEG sinyalinin derin sinir ağlarıyla sınıflandırılmasının uygunluğunu göstermektedir. Ayrıca, türkçe literatürde aşırı öğrenme olarak bilinen overfitting sorunlarıyla başa çıkmak için geliştirilen diverjans temelli öznitelik çıkarımının etkili olduğu görülmüştür. Bu tez, MHH-EEG alanında literatüre önemli bir katkı sağlamaktadır. Önerilen yöntemlerin ve elde edilen sonuçların, gelecekteki araştırmalar için kayda değer bir temel oluşturduğu düşünülmektedir. Gelecek çalışmalarda, daha fazla BMA görevinin ve sınıflandırma algoritmalarının incelenmesi, aşırı öğrenme problemlerine yönelik yeni stratejilerin geliştirilmesi ve BMA teknolojilerinin pratikteki uygulamalarına yönelik problemler ele alınacaktır. Bu çalışmada geliştirilen yöntemleri özetlemek ve uygulanması sonucunda elde edilen başarıya kısaca değinmek gerekirse; yapay EEG sinyali oluşturma ve veri artırma (augmentation) teknikleri kullanılmış ve BMA görevlerinin performans ve verimliliğinde geliştirmeler sağlanmıştır. Bu yöntemler, çeşitli test senaryolarında umut verici sonuçlar göstermiş ve başarı oranları, geleneksel yaklaşımların üzerine çıkmıştır. Bu başarı oranları, ilgili bölümlerde ayrıntılı olarak incelenmiş ve beşinci bölümdeki tablolarda gösterilmiştir. Literatürdeki çalışmalarda, basit ve birleşik MHH-EEG sinyallerinin sınıflandırılması incelendiğinde, üç basit ve bir birleşik MHH-EEG sinyali üzerinde çeşitli öznitelik çıkarımı ve sınıflandırma teknikleri kullanılarak, ortalama doğruluk oranları yaklaşık olarak %51.6 ve %54.2 olarak rapor edildiği görülmüştür. Sınıf sayısı artırıldığında, örneğin dört basit ve dört birleşik MHH-EEG sinyalinde, ortalama doğruluk oranında bir düşüş gözlemlenmiştir. Literatürdeki başka bir çalışmada, dört basit ve dört birleşik sınıfa ait EEG sinyalleri (dataset 3) sınıflandırılmış ve %55 başarı elde edilmiştir. Aynı çalışmada dört basit ve üç birleşik sınıf için önemli derecede yüksek olan %70'lik doğruluk oranı rapor edilmiştir. Bu çalışmada geliştirilen yöntemler ile literatüre önemli katkılar yapılmıştır. Dataset 1 için önerilen yaklaşım, yalnızca DivFE ile dört basit ve altı birleşik sınıf üzerinde üç denekten elde edilen %85'lik bir ortalama doğruluk oranı elde etti. Geliştirilen model dataset 2'de yer alan EEG sinyallerinin sınıflandırmasında %78.6 doğruluk oranı elde etmiştir. Son olarak, dataset 3 (dört basit ve dört birleşik) için geliştirilen model, yedi deneğin üzerinde %77.8 doğruluk oranı elde etmiştir. Elde edilen sonuçlar Neural Computing and Applications (SCI-Expanded) isimli dergide yayımlanarak BMA araştırmacılarıyla paylaşılmıştır. Sonuç olarak, bu tezde yapılan çalışmalar ile, BMA sistemlerinde derin sinir ağları kullanarak on farklı motor hareket hayaline ait EEG sinyallerinin sınıflandırılması konusunda önemli katkılar sağlanmıştır. Aşırı öğrenme sorunlarına karşı geliştirilen diverjans temelli öznitelik çıkarımının, daha doğru ve etkili BMA sistemleri için umut verici sonuçlar sunduğu gösterilmiştir. Bu çalışmanın, önümüzdeki yıllarda daha kapsamlı BMA araştırmalarına ilham vermesi ve yeni gelişmelere zemin hazırlaması ümit edilmektedir.
Özet (Çeviri)
Brain-Computer Interface (BCI) is a research area that aims at establishing a sustainable communication infrastructure between the brain and machines. The primary purpose of BCI is to restore functionality to paralyzed individuals, but it can also be used for gaming applications. Various modalities such as Electroencephalogram (EEG) and Functional Magnetic Resonance Imaging (fMRI) can be employed in this field. This thesis focuses on EEG-based BCI and specifically explores the classification of ten different motor imagery (MI) tasks using deep neural networks. Motor imagery is a BCI method that aims to detect imagined movements through potential changes on the scalp, which are measured by electrodes during the imagined motor movement. Increasing the number of recognizable tasks in BCI systems, specifically in the field of mechatronics, holds considerable importance. The limited scope of a four-command system significantly inhibits the versatility of these applications, particularly as they become more complex. To illustrate, imagine the operational demands of a drone, which requires absolute control over direction, altitude, speed, and elaborate maneuvers to navigate obstacles in three-dimensional space. The limitations of a four-command system decrease the number of controllable actions, thus undermining the efficacy and the scope of BCI applications. A substantial increase in the number of recognizable tasks in a BCI system signifies not only the expansion of its capabilities, but also a progression in advancing its applicability and versatility. In the first chapter, the problems of BCI are introduced, and the relevant literature is reviewed. In the second chapter, the concepts related to MI, the specific BCI area of interest, are explained. The third chapter examines methods to increase the number of commands in the MI paradigm, discussing previous approaches and the proposed methods. In the fourth chapter, deep learning tools commonly used in the field and employed in this research are introduced and discussed. The fifth and final chapter discusses the obtained results, their implications, and potential future research directions. The findings contribute to the advancement of BCI and demonstrate the feasibility of classifying ten different motor imagery EEG signals using deep neural networks, alongside augmentation, and divergence-based feature extraction. In summarizing the research conducted in this study, emphasis must be placed on the success rates achieved through the application of the developed methods. The techniques of artificial EEG signal generation, data augmentation, and regularization have been utilized, resulting in enhancements in the performance and efficiency of the BCI tasks. The methods employed have demonstrated promising results in various test scenarios. The success rates exceed those observed in traditional approaches documented in the literature. These rates are expanded upon in their respective sections and numerically illustrated in tables within the fifth chapter. Looking at the classification of both simple and combined MI-EEG signals across various studies, mean accuracy rates of around 51.6% and 54.2% were reported using different techniques for feature extraction and classification on three simple and one combined MI-EEG signals across a varied number of subjects. When increasing the number of classes used, as in four simple and four combined MI-EEG signals, a trend of increased mean accuracy was observed. Studies reported accuracy rates of 55% (four simple and four combined classes, dataset 3) and a substantial 70% (four simple and three combined classes) using different methods. The methods developed in this study demonstrate a significant improvement. For dataset 1, the proposed approach achieved an 85% mean accuracy with only DivFE on four simple and six combined classes across three subjects. Dataset 2 shows a 78.6% accuracy across nine subjects. Lastly, for the dataset 3 (four simple and four combined), the model achieved a 77.8% accuracy across seven subjects. These success rates not only validate the effectiveness of the proposed methods but also highlight the potential for future enhancements in BCI applications.
Benzer Tezler
- Online adaptive classification of finger movements for brain computer interfaces
Beyin bilgisayar arayüzleri için el hareketlerinin çevrimiçi uyarlanır modellenmesi
MOHAND LOKMAN AHMAD AL DABAG
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Organik malzemelerin çift enerjili X-ışını güvenlik sistemlerinde görüntülenmesi ve patlayıcı malzemelerin tespiti
Imaging organic materials on dual energy X-ray security systems and detection of explosive material
OZAN YALÇIN
Yüksek Lisans
Türkçe
2021
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiNükleer Araştırmalar Ana Bilim Dalı
PROF. DR. İSKENDER ATİLLA REYHANCAN
- Kaya kütlesindeki süreksizliklerin pürüzlülük ölçümleri için objektif yöntemlerin geliştirilmesi
Development of objective methods for measuring roughness of discontinuity surfaces in rock mass
İBRAHİM EMRE ÖNSEL
Doktora
Türkçe
2014
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CÜNEYT ATİLLA ÖZTÜRK
- Serebral palsili çocuklarda salya kontrolünün ve(hiper)salivasyonun incelenmesi
Investigation of drooling and (hyper)salivation in the cerebral palsied children
MERİÇ SELİM ŞİPAL
Yüksek Lisans
Türkçe
2014
Fiziksel Tıp ve RehabilitasyonHacettepe ÜniversitesiFizik Tedavi ve Rehabilitasyon Bölümü
PROF. DR. AYNUR AYŞE KARADUMAN