Biyomedikal sinyaller üzerinden makine öğrenmesi modelleri ile biyometrik kişi tanıma
Biometric person recognition with machine learning models based on biomedical signals
- Tez No: 869142
- Danışmanlar: DOÇ. DR. KUTLUCAN GÖRÜR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bandırma Onyedi Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 93
Özet
Bu tez çalışmasında, tek kanallı kuru elektrot SSVEP tabanlı, tek uçlu EMG sinyallerini kullanan diyafragmatik solunum hareketlerine dayalı ve EMG ile jiroskop sinyallerini kullanan farklı el hareketlerinden elde edilen üç ayrı biyometrik çalışma yapılmıştır. Birinci çalışmada, EEG tekniğiyle ölçülen ve görsel uyaranlara yanıt olarak beyinde oluşan elektriksel aktivitenin ölçüldüğü bir tür beyin sinyali olan SSVEP ile biyometrik çalışma yapılmıştır. EEG'ye dayalı biyometrik çalışmalar artan ilgi görmektedir. Bununla birlikte klasik EEG tabanlı biyometrinin, gürültüye eğilimli sinyaller, jel bazlı elektrotlar ve çoklu eğitim/çok kanallı edinim ihtiyacı ve yüksek zihinsel çaba gerektirmesi gibi nedenlerden dolayı önemli eksiklikleri vardır. Buna karşılık, SSVEP bazlı biyometri, yüksek sinyal-gürültü oranı ve eğitimsiz kullanım gibi önemli avantajlara sahiptir. Çalışmada 11 denek için %100'e varan doğruluk elde edilmiştir. RNN derin modellerini kullanan bu tek kanallı SSVEP tabanlı biyometrik yaklaşım, düşük maliyetli, kullanıcı dostu ve güvenilir bireysel kimlik tanımlama sunarak önemli uygulama alanlarına yol açabilir. İkinci çalışmada diyafram hareketlerinden üretilen tek kanallı EMG sinyallerini kullanarak bireylerin kimliklerini tahmin eden solunum tabanlı biyometrik bir yaklaşım sunulmuştur. Bildiğimiz kadarıyla bu çalışma diyafram hareketleriyle oluşturulan tek bir derivasyondan gelen EMG sinyallerini kullanan, solunum temelli biyometrik yaklaşımı araştıran ilk çalışmadır. RMS, STD, MAV ve VAR özellik çıkarma teknikleri kullanılarak sığ sınıflandırıcılar ile başarı sonuçları elde edilmiştir. Ayrıca aşırı öğrenme sorunu ve veri kaydının çok oturumlu sorunlarına karşı veri artırma işleminden sonra RNN tabanlı derin öğrenme modelleri de uygulanmıştır. Bu çalışmada sığ modellerde yedi deneğin EMG verileri kullanılarak test modellerinde %72,9 ile en yüksek doğruluk elde edilmiştir. RNN tabanlı derin modeller kullanıldığında %96'nın üzerinde doğruluğa ulaşmıştır. Ayrıca PNN kullanılarak çeşitli çapraz doğrulama stratejisindeki yedi denek arasında %99'dan fazla doğru tanıma oranına sahiptir. Üçüncü çalışmada ise 10 denekten alınan 6 farklı hareketin EMG sinyallerini ve jiroskop sinyallerini bir araya getirerek multibiyometrik sınıflandırma yapılmıştır. Bu 6 el hareketi: yumruk, parmak açma, bilek içeri bükme, bilek dışarı bükme, pronasyon, supinasyondur. Önişlemeleri yapılan EMG ve jiroskop sinyallerinin WL, RMS, MAV ve STD olmak üzere 4 farklı özniteliği çıkarılmıştır. Ardından sinyaller LSTM, BiLSTM ve GRU olmak üzere üç farklı sınıflandırıcıya verilmiştir. Sınıflandırma sonucunda supinasyon hareketi için elde edilen en yüksek doğruluk %99.51 ve diğer el hareketleri için en elde edilen en yüksek doğruluk %100'dür. Çalışmada gizli katmandaki nöron sayısı ve diğer parametreler eğitim boyunca sabit tutulmuş olup, maksimum iterasyon sayısı arttıkça doğruluk oranının arttığı gözlemlenmiştir.
Özet (Çeviri)
In this thesis study, three separate biometric studies were conducted, based on single-channel dry electrode SSVEP, based on diaphragmatic respiratory movements using single-ended EMG signals, and obtained from different hand movements using EMG and gyroscope signals. In the first study, a biometric study was conducted with SSVEP, a type of brain signal measured by the EEG technique and in which the electrical activity occurring in the brain in response to visual stimuli is measured. Biometric studies based on EEG are attracting increasing attention. However, classical EEG-based biometrics has significant shortcomings due to signals being prone to noise, gel-based electrodes, the need for multiple training/multi-channel acquisition, and high mental effort. In contrast, SSVEP-based biometrics have significant advantages, such as a high signal-to-noise ratio and training-free use. Up to %100 accuracy was achieved for 11 subjects in the study. This single-channel SSVEP-based biometric approach using RNN deep models can lead to important application areas by offering low-cost, user-friendly, and reliable individual identification. In the second study, a respiratory-based biometric approach that estimates the identities of individuals using single-channel EMG signals generated from diaphragm movements is presented. To our knowledge, this is the first study investigating a respiratory-based biometric approach that uses EMG signals from a single lead generated by diaphragm movements. Successful results were obtained with shallow classifiers using RMS, STD, MAV, and VAR feature extraction techniques. RNN-based deep learning models have also been applied after data augmentation to counter the overlearning problem and multi-session problems of data recording. In this study, the highest accuracy of %72.9 was achieved in the test models by using EMG data of seven subjects in shallow models. It achieved over %96 accuracy when using RNN-based deep models. It also has a correct recognition rate of more than %99 among seven subjects in various cross-validation strategies using PNN. In the third study, multibiometric classification was made by combining EMG signals and gyroscope signals of 6 different movements taken from 10 subjects. These six hand movements are fist, finger opening, wrist bending in, wrist bending out, pronation, and supination. Four different features of the preprocessed EMG and gyroscope signals were extracted: WL, RMS, MAV, and STD. Then, the signals were given to three different classifiers: LSTM, BiLSTM, and GRU. As a result of the classification, the highest accuracy obtained for the supination movement is %99,51, and the highest accuracy obtained for other hand movements is %100. In the study, the number of neurons in the hidden layer and other parameters were kept constant throughout the training, and it was observed that the accuracy rate increased as the maximum number of iterations increased.
Benzer Tezler
- Graf dönüşümlü derin öğrenme ile EKG sinyallerinin sınıflandırılması
Classification of ECG signals with graph transformed deep learning
GÖKHAN KUTLUANA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER TÜRKER
- Derin öğrenme tabanlı hibrit model tasarımı ile EKG sinyal sınıflandırmasında aritmi tespiti
Arrhytmia detection on ECG signals via hybrid model design based on deep learning
TUĞBA TAŞBAŞI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFTAL ŞEHİRLİ
- Konuşma olmayan sinyallerin evrişimsel sinir ağları tabanlı yaklaşımlar ile sınıflandırılması
Classification of non-speech signals with convolutional neural network based approaches
FATİH DEMİR
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Improved fuzzy logic based edge detection method on clinical images
Klinik görüntülerde bulanık mantık temelli iyileştirilmiş kenar tespit yöntemi
MURAT MERT ÇELEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKER ÜSTOĞLU
- EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Attention deficit hyperactivity disorder prediction using EEG signals and deep learning models
YAĞMUR CAN
Yüksek Lisans
Türkçe
2024
BiyomühendislikTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL