EEG sinyalleri kullanılarak derin öğrenme yöntemiyle beyin klavyesi arayüzü tasarımı
Brain keyboard interface design with deep learning method using EEG signals
- Tez No: 865131
- Danışmanlar: DOÇ. DR. MUSTAFA TOSUN
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 155
Özet
Beyin-bilgisayar arayüzü (BBA) çalışmaları yeni yönleriyle araştırmacıların ilgisini çekmeye devam etmektedir. Beyin klavyesi olarak tanımlanan beyin sinyalleriyle harflerin tahmin edilmesi önemli araştırma alanlarından biridir. Bu çalışmaların en önemli motivasyonu dünya çapında çeşitli nedenlerle konuşamayan on milyonlarca insanın iletişim sorunlarına çözüm bulmaktır. P300 ve Sabit Durum Görsel Uyarılmış Potansiyeller (SSVEP'ler) gibi EEG sinyalleri çoğunlukla BBA'lara yönelik çalışmalarda kullanılmıştır. Ancak bireyler bu sinyalleri alırken ışık gibi sürekli uyaranları içeren paradigmalara maruz kalmakta, bu durum zamanla yorgunluğa yol açabilmekte ve uyaranlara dikkat etme performanslarını düşürebilmektedir. Ayrıca bu sinyallerin alınması ve işlenmesi zaman alıcıdır. Bu çalışmada, bu sorunları çözmek için EEG sinyallerini kullanan bir beyin klavyesinin tasarımı için önerilen dört paradigmanın farklı EEG kanalları üzerindeki etkileri incelenmektedir. Bu paradigmalar, harfleri sadece hayal etmek, harfleri dil hareket ettirerek ve dudaklar hareketsizken telaffuz etmek, harfleri sessiz veya sesli olarak telaffuz etmek gibi koşullara dayanmaktadır. Paradigma kaynaklı beyin sinyallerinin özellik vektörleri olarak EEG verilerinin 8-30 Hz frekans aralığındaki güç spektral yoğunluğu (PSD) değerleri kullanılmıştır. Bu özellik vektörleri Uzun-kısa süreli bellek (LSTM), Destek vektör makinesi (SVM) ve k-en yakın komşu (k-NN) algoritmaları ile sınıflandırılmıştır. En yüksek doğruluk LSTM derin öğrenme algoritması ile elde edilmiştir. Bu en yüksek doğruluk oranı %98,66 ile 13.kanala karşılık gelen O1 kanalında, dil ve dudak hareketleri ile harflerin sesli telaffuzu ile yapılan kayıtlarda gerçekleşmiştir. Ayrıca 2. kanala karşılık gelen AF4 elektrodunda ise, dil ve dudakların hareket ettiği harflerin sessizce telaffuz edildiği kayıt koşulunda %97,88 doğruluk elde edilmiştir. Sonuç olarak, yenilikçi EEG kayıt paradigması ile elde edilen sınıflandırma çıktısı, insan-makine etkileşiminde gelecekteki uygulamalar için umut verici bir potansiyele sahiptir.
Özet (Çeviri)
Brain-computer interface (BCI) studies continue to captivate researchers with new dimensions. Predicting letters through brain signals, termed as a brain keyboard, stands out as a significant research area. The primary motivation behind these studies is to address communication challenges for millions of people worldwide who, for various reasons, cannot speak. EEG signals, such as P300 and Steady-State Visual Evoked Potentials (SSVEPs), have been commonly used in BCI research. However, individuals exposed to paradigms containing continuous stimuli like light while receiving these signals may experience fatigue over time, leading to a decline in attention to stimuli and performance. Additionally, acquiring and processing these signals is time-consuming. This study explores the effects of four proposed paradigms on different EEG channels for designing a brain keyboard using EEG signals to address these challenges. The paradigms are based on conditions such as imagining letters, moving the tongue and lips to pronounce letters while keeping them silent, and pronouncing letters silently or aloud. Power spectral density (PSD) values in the 8-30 Hz frequency range of EEG data serve as feature vectors for paradigm-induced brain signals. These feature vectors are classified using Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and k- Nearest Neighbors (k-NN) algorithms. The highest accuracy is achieved with the LSTM deep learning algorithm. The highest accuracy rate, 98.66%, is obtained in recordings involving the pronunciation of letters through tongue and lip movements in the O1 channel corresponding to the 13th channel. Furthermore, a 97.88% accuracy is achieved in recordings involving silent pronunciation of letters with tongue and lip movements in the AF4 electrode corresponding to the 2nd channel. In conclusion, the classification output obtained with the innovative EEG recording paradigm holds promising potential for future applications in human-machine interaction.
Benzer Tezler
- 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
- 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
- Sleep stage classification using disagreement based co-active learning
Anlaşmazlık tabanlı öğrenme ile uyku evrelerinin sınıflandırılması
AYŞE BETÜL YÜCE
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN
- EEG sinyalleri kullanarak yeni doğanlarda nöbet tespiti için derin öğrenme yöntemlerinin kullanılması
Using deep learning methods for seizure detection in newborns by using EEG signals
MERVE AÇIKOĞLU
Yüksek Lisans
Türkçe
2021
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA ARSLAN TUNCER
- Fuzzy cognitive maps for emotion modeling
Bulanık bilişsel haritalar yardımıyla insan duygularının modellenmesi
HASAN MURAT AKINCI
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ENGİN YEŞİL