Riemannian geometry-based advance signal processing pipeline for EEG-based BCI
Beyin-bilgisayar arayüzlerine yönelik riemann geometrisi ile ileri sinyal işleme yaklaşımı
- Tez No: 849671
- Danışmanlar: PROF. DR. BÜLENT YILMAZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Sayısal işaret işleme, Öğrenme transferi, İnsan-makine arabağı, Digital signal processing, Transfer of learning, Man-machine interface
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Abdullah Gül Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, EEG tabanlı beyin-bilgisayar arayüzlerinde (BBA) Riemann geometrisine dayalı öğrenme transferi kullanımına dayalı gelişmeleri incelemekteyiz. Seçilen EEG sinyal epoklarının sınıflandırma performansına katkısını göstermek adına kayan pencere yaklaşımı geliştirdik. Bunun yanında, sinyal işleme adımlarına filtre bankasının eklenmesinin sınıflandırma doğruluğunu daha fazla arttırdığını gözlemledik. Açık veristelerinden motor-niyet dalgaları içeren verisetlerini kullanarak, klasik Tanjant Uzay Haritalama yöntemine kıyasla sınıflandırma performanısı ortalama % 7 iyileştirdik. Çalışmanın en önemli çıktısı,“grup öğrenmesi”adlı yeni bir transfer öğrenme yaklaşımı ve bu yaklaşımın uzantısı olan,“hızlı hizalama”yöntemidir. Grup öğrenmesi, klinik olmayan BBA açık verisetlerinde sınıflandırma performansından ödün vermeden çoklu alan uyarlaması yapmaktadır. Hızlı hizalama, alan uyarlamasını daha önce kullanılmamış yeni veriler için kullanmayı sağlamaktadır. Önerilen grup hizalama algoritması (GALIA), farklı kişilerden ve farklı oturumlardan alınan EEG verileri ile test edilmiştir. Sınıflandırma performansı ve hesaplama maliyeti için optimal hiper-parametre değerleri incelenmiştir. Çalışma, birçok kişiden kayıt edilen verileri kullanarak tek bir makine öğrenimi modelinin oluşturulmasını ve eğitilmiş modelin yeniden eğitilmesine gerek kalmadan yeni veriler üzerinde kullanılabileceğini göstermiştir. Bulgular, birçok kişi üzerinde öğrenme transferi gerçekleştirebilen bütünsel bir sinyal işleme akışı sağlayarak güçlü, genelleştirilebilir, ve yüksek sınıflandırma performansına sahip BBA sistemleri tasarlanmasına olanak sağlamaktadır.
Özet (Çeviri)
In this thesis, we explore the challenges and advancements in EEG based brain-computer interfaces (BCI) with a particular focus on Riemannian geometry-based transfer learning. Proposing a sliding window approach, we emphasize the importance of selecting optimal EEG signal epochs for improved classification accuracy. The use of a filterbank further improves classification accuracy. Employing publicly available motor imagery databases, results showcase a substantial 7% average improvement in classification accuracy, outperforming the classical TSM method. The study introduces a novel transfer learning approach named“group learning”and its extension,“fast alignment.”Group learning facilitates many-to-many domain adaptation without compromising classification performance on non-clinical BCI data. Fast alignment extends this to many-to-one transfer learning for unseen domains. The proposed group alignment algorithm (GALIA) is tested on datasets comprising multiple sessions from various subjects. Additionally, optimal hyper-parameter values for classification performance and computational cost are studied. The study discusses the creation of a single machine learning model using data from previous subjects and/or sessions, as well as the exploitation of the trained model for an unseen domain without further training of the classifier. The findings provide a holistic pipeline for performing transfer learning on many subjects, emphasizing universe, robust, and generalizable BCI systems with high classification performance.
Benzer Tezler
- Decoding multi-channel EEG signals of upper limb motor imagery in riemannian space
Üst uzuvlarda hareket tahayyülünün riemann uzayında çok kanallı EEG sinyalleri ile ıncelenmesi
MOHAMMED JAMAL ABDALWAHID ABDALWAHID
Yüksek Lisans
İngilizce
2024
Mühendislik BilimleriBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
Professor Dr. AHMET ADEMOĞLU
- Yarı-Riemann manifoldlarında lightlike hiper yüzeylerin geometrisi üzerine
On geometry of lightlike hypersurfaces in semi-Riemannian manifolds
EROL YAŞAR
Doktora
Türkçe
2006
MatematikSüleyman Demirel ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. CEYLAN ÇÖKEN
- Genel görelilik teorisinde Riemann geometrisinin uygulamaları
Applications of Riemannian geometry in the theory of general relativity
İDRİS ÖZ
Yüksek Lisans
Türkçe
2026
Fizik ve Fizik MühendisliğiMunzur ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. İNAN ÜNAL
PROF. DR. MURAT KORUNUR
- Diferansiyel geometri ile yapay zeka algoritmalarının incelenmesi
Examining artificial intelligence algorithms with differential geometry
İREM NUR GÖÇER
Yüksek Lisans
Türkçe
2025
MatematikEskişehir Osmangazi ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. CUMALİ EKİCİ
- Bir integral geometri probleminin çözümünün tekliğinin araştırılması
Investigation of uniqueness of the solution of an integral geometry problem
SALİHA TELLİ
Yüksek Lisans
Türkçe
2022
MatematikZonguldak Bülent Ecevit ÜniversitesiMatematik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMET GÖLGELEYEN