Applying machine learning methods to EEG collected from dyslexia and healthy children
Disleksili ve sağlıklı çocuklardan toplanan EEG verilerine makine öğrenmesi yöntemlerinin uygulanması
- Tez No: 877318
- Danışmanlar: YRD. DOÇ. GÜNET EROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine Öğrenimi, Disleksi, EEG, Machine Learning, Dyslexia, EEG
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 133
Özet
Bu tez, disleksiyi teşhis etmek ve erken tespit ve müdahale yöntemlerini geliştirmek amacıyla EEG verilerini kategorize etmek için makine öğrenme modellerinin nasıl kullanılabileceğini incelemektedir. Kullanılan on model arasında Rastgele Orman, Karar Ağacı, KNeighbors, SVM, Yapay Sinir Ağı (YSA), Gradient Boosting, Gradient Regresyon, Ada Boosting Algoritması yer aldı. Niceliksel analize göre modellerin çoğunun çok iyi doğruluk puanları vardı ve bu da onların disleksiklerin sınıflandırılmasında etkili olduğunu gösteriyordu. 0,99'luk güçlü bir doğruluk puanı, K-Komşu ve Rastgele Orman kesin sınıflandırma için altta yatan nörofizyolojik bileşenleri tanımlama yeteneğini gösterdi. Ayrıca niceliksel sonuçlar, EEG verilerinin incelenmesinden elde edilen niteliksel bilgilerle iyi bir bağlama oturtulmuştur. Her bireyin ihtiyaçlarını karşılayan bireyselleştirilmiş yöntemlere odaklanan tartışmalarda, bulguların disleksi tanısına ve eğitimsel çözümlere yönelik etkileri vurgulandı. Gelecekteki araştırma fikirleri arasında disleksi teşhisini ve müdahale sonuçlarını geliştirmek için EEG tabanlı yöntemlerin geliştirilmesi ve doğrulanması yer almaktadır. Her şey göz önünde bulundurulduğunda, bu çalışma disleksi araştırmalarında ve terapötik ortamlarda EEG tabanlı teknikleri kullanma konusundaki bilgimizi ve yeteneğimizi geliştirmektedir.
Özet (Çeviri)
This thesis looks into how machine learning models can be used to categorize EEG data in order to diagnose dyslexia and improve early detection and intervention methods. Random Forest, Decision Tree, KNeighbors, SVM, Artificial Neural Network (ANN), Gradient Boosting, Gradient Regression, Ada Boosting Algorithm were among the eight models used. The majority of the models had good accuracy scores, according to quantitative analysis, demonstrating their effectiveness in classifying dyslexics. With a strong accuracy score of 0.99, KNeighbors and Random Forest showed its ability to identify underlying neurophysiological components for precise classification. Furthermore, the quantitative results were well-contextualized by the qualitative information gleaned from the study of the EEG data. The findings' implications for dyslexia diagnosis and educational solutions were emphasized in the discussions, which focused on individualized methods catered to each person's needs. Future research ideas include enhancing and verifying EEG-based methods to enhance dyslexia diagnosis and intervention results. All things considered, this work advances our knowledge of and ability to use EEG-based techniques in dyslexia research and therapeutic settings.
Benzer Tezler
- Gıda uyaranlarından elde edilen biyo-sinyallerin işlenerek obeziteye yatkınlık tespiti
Determination of obesity tendency by processing bio-signals obtained from food stimuli
HALİL İBRAHİM COŞAR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYozgat Bozok ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMİL ALTIN
- Feature extraction for EEG motor imagery signals using a deep neural network
Derin sinir ağı kullanarak motor imgeleme EEG sinyalleri için öznitelik çıkarımı
RIDVAN SOYSAL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR HALICI
- Huzursuz bacak sendromlu hastalarda makine öğrenmesi yöntemleri ile elektrofizyolojik sinyal kayıtlarının incelenmesi
Investigation of electrophysiological signal records by machine learning methods in patients with restless legs syndrome
SEDA KAYA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
- Bir ve iki boyutlu biyomedikal işaretlerin DCT tabanlı analizi
DCT based analysis of 1D and 2D biomedical signal
FATMA DEMİREZEN YAĞMUR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- Mutluluk eğitiminin EEG sinyalleri üzerine etkisinin makine öğrenmesi yöntemleriyle değerlendirilmesi
Evaluation of happiness training effect of EEG signals with machine learning methods
AYŞE SAYMAZ
Yüksek Lisans
Türkçe
2020
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR