EEG sinyallerinde makine öğrenmesi için yeni özelliklerin elde edilmesi ve uygulamasının gerçekleştirilmesi
Acquisition and implementation of new features for machine learning in EEG signals
- Tez No: 840598
- Danışmanlar: PROF. DR. ALİ KARCI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Elektroensefalografi, Alkol kullanım bozukluğu, Hibrit Özellik, Sınıflandırma, Spektrogram, Moment, Electroencephalography, Alcohol use disorder, Hybrid feature, Classification, Spectrogram, Momen
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 96
Özet
Bu tez ile beyin bilgisayar arayüzü (BBA) kullanılarak cihazların veya sistemlerin kontrol edilebilmesi amacıyla sinyallerin alınması ve analiz edilmesi ele alınmaktadır. Beyin fonksiyonları sırasında ortaya çıkan sinyallerin analizi elektroensefalografi(EEG) denilmektedir. EEG sinyalleri alınarak analiz edilmekte ve sınıflandırılarak hangi duruma ait oldukları belirlenmektedir. Bu amaçla yapılan çalışmalardan biri görsel uyaran potansiyel kullanan şekil tahmin uygulaması olmaktadır. Bu uygulama ile bakılan 4 farklı şekil için kaydedilen EEG sinyallerine ait özellikler çıkarılmakta ve sınıflandırılmaktadır. Hareket üzerine yapılan çalışmada ise göz ve kolların birlikte hareket ettirilerek koordine bir şekilde EEG sinyalleri alınarak hangi duruma ait olduklarının kararının verilmesi amacıyla özellikler çıkarılmakta ve sınıflandırma gerçekleştirilmektedir. Hazır alkolik veri seti kullanılarak gerçekleştirilen çalışmalarımızda ise önce istatistiksel özellikler çıkarılmakta ve bunların yanısıra derin öznitelikler çıkarılarak hibrit bir özellik vektörü oluşturulmaktadır. Bu oluşturulan özellik vektörü sınıflandırılarak kişinin hangi gruptan olduğuna karar verilmektedir. Diğer bir alkolik veri seti çalışmamızda ise moment özellikleri çıkarılmakta ve anlamı bilinen ilk 4 momentin yanısıra daha yüksek dereceli momentler de hesaplanmakta ve bunların sınıflandırma üzerindeki etkilerine bakılmaktadır. Şekiller için yapılan çalışmada EEG sinyallerinin sınıflandırılması hangi şeklin görüntülendiğini yüzde 99,99 doğrulukla belirlemiştir. Bu sonuçlar, görüntülenen şeklin yapısına göre beyinde farklı sinyaller üretildiğini göstermektedir. Alkolik veri seti kullanılan uygulamada yalnızca istatistiksel özelliklerin sınıflandırılması için doğruluk oranı yüzde 81,2 olarak elde edilirken yalnızca derin öğrenme için yüzde 95,71 olmasına rağmen, önerilen Derin - İstatistiksel Özellikler Sınıflandırması (DSFC) kullanılarak türetilen hibrit özellikler için doğruluk oranı yüzde 99,2 olarak elde edilmiştir. Diğer alkolik çalışması için Moment 1'den 120'ye kadar tüm özellikler kullanıldığında en yüksek sınıflandırma doğruluğu yüzde 99,60 iken, Moment 1'den 20'ye kadar yüzde 99,80 olmakta ve daha iyi sonuç verdiği görülmektedir. Buna göre EEG sinyallerinin 20. dereceden bir polinom ile temsil edilebileceği sonucuna varılmıştır. Sonuç olarak alkol kullanım bozukluğunun (AUD) görsel uyaranlara maruz kalan kişilerde normal insanlara göre farklı EEG sinyallerine neden olduğu görülmektedir.
Özet (Çeviri)
In this thesis, the reception and analysis of signals in order to control devices or systems using the brain computer interface (BCA) is discussed. The analysis of signals that occur during brain functions is called electroencephalography (EEG). EEG signals are taken, analyzed and classified to determine which state they belong to. One of the studies carried out for this purpose is the shape prediction application using visual stimulus potential. With this application, the features of the recorded EEG signals for 4 different shapes are extracted and classified. In the study on movement, the features are extracted and classification is carried out in order to decide which state they belong to by taking the EEG signals in a coordinated way by moving the eyes and arms together. In our studies carried out using a ready-made alcoholic data set, statistical features are extracted first, and a hybrid feature vector is created by extracting deep features. By classifying this created feature vector, it is decided which group the person belongs to. In our study of another alcoholic data set, moment properties are extracted and higher order moments are calculated as well as the first 4 moments whose meanings are known, and their effects on classification are examined. In the study for shapes, the classification of EEG signals determined which shape was displayed with 99.99 percent accuracy. These results show that different signals are produced in the brain according to the structure of the image displayed. In the application using the alcoholic data set, the accuracy rate was 81.2 percent for only the classification of statistical features, and 95.71 percent for deep learning only, but 99.2 percent for hybrid features derived using the recommended Deep - Statistical Features Classification (DSFC). For the other alcoholic study, the highest classification accuracy is 99.60 percent when all features from Moment 1 to 120 are used, while it is 99.80 percent from Moment 1 to 20, and it seems to give better results. Accordingly, it was concluded that EEG signals can be represented by a 20th-order polynomial. As a result, it is seen that alcohol use disorder (AUD) causes different EEG signals in people exposed to visual stimuli compared to normal people.
Benzer Tezler
- Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti
Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods
ZÜLFİKAR ASLAN
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN
- Motor imagery based mobile brain computer interface design using machine learning techniques
Makine öğrenmesi yöntemleri ile motor hareket hayali tabanlı mobil beyin bilgisayar arayüzü tasarımı
HAKAN AŞIK
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY DOKUR
- Beyinde üretilen yöne bağlı EEG sinyallerinin öznitelik çıkarımı yardımıyla sınıflandırılması
Classification of EEG signals occured in the brain under the imagination of the directions with the help of feature extraction
MUHAMMET SERDAR BAŞÇIL
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET YAHYA TEŞNELİ
- Spektral ve Faz Tabanlı Özniteliklerle Çok Sınıflı Motor Hayali EEG Sinyallerinin Sınıflandırılması
Classification of multi-class motor imaginary eeg signals with spectral and phase-based features
OSMAN ÇETİN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA TOSUN
- Beyin bilgisayar arayüzü uygulamalarında motor görüntüleme EEG sinyallerinin analizi için yeni yaklaşımlar
New approaches to analysis of motor imagery EEG signals in brain computer interface applications
ESRA KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL SARITAŞ