Geri Dön

Obtaining EEG-based features of mental states with brain-computer interfaces using machine learning

Makine öğrenmeyi kullanarak beyin-bilgisayar arayüzleri ile zihinsel durumların EEG tabanlı özelliklerinin elde edilmesi

  1. Tez No: 891126
  2. Yazar: AHSAN MUMTAZ
  3. Danışmanlar: YRD. DOÇ. DR. IMAN ELAWADY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Bu tez, elektroensefalografik (EEG) beyin aktivitesi görüntüleme ve makine öğrenme teknikleri kullanarak, kişinin odaklanmış, odaklanmamış veya uykulu olma gibi zihinsel dikkat durumlarını izleyen pasif beyin-bilgisayar arayüzlerinin geliştirilmesini incelemektedir. Çalışmanın amacı, zihinsel durumların doğru bir şekilde tespit edilmesi ve izlenmesi için uygun algoritmaların geliştirilmesi ve karşılaştırılmasıdır. Çalışmada, EEG verilerinin işlenmesi için kapsamlı bir adım dizisi oluşturulmuştur. Bu süreçte, EEG sinyallerinin ön işleme, özellik çıkarımı ve sınıflandırma aşamaları ele alınmıştır. Özellik çıkarımı aşamasında, sinyalden anlamlı bilgilerin elde edilmesi amacıyla çeşitli zaman ve frekans tabanlı yöntemler kullanılmıştır. Elde edilen özellikler, daha sonra sınıflandırma algoritmalarına girdi olarak verilmiştir. Tezde, Radial Basis Function (RBF) modeli kullanılarak, k-en yakın komşu (k-NN), Adaptif Karar Ağacı (ADT) sınıflandırıcı ve Destek Vektör Makineleri (SVM) olmak üzere üç farklı makine öğrenme algoritması karşılaştırılmıştır. Bu karşılaştırmanın amacı, hangi algoritmanın zihinsel durum tespiti konusunda en yüksek doğruluğu sağladığını belirlemektir. Sonuç olarak, yapılan deneyler ve analizler neticesinde SVM algoritmasının diğer yöntemlere kıyasla zihinsel durum tespitinde daha yüksek bir performans gösterdiği tespit edilmiştir. SVM'nin üstün performansı, onun karmaşık ve yüksek boyutlu veri setleri üzerinde daha etkili çalışabilme yeteneğinden kaynaklanmaktadır. Bu bulgular, EEG tabanlı pasif beyin-bilgisayar arayüzlerinin geliştirilmesi ve uygulanması için önemli bir adım teşkil etmektedir. Bu tez, EEG sinyallerinin analiz edilmesi ve makine öğrenme tekniklerinin kullanılmasıyla, bireylerin zihinsel dikkat durumlarının sürekli ve güvenilir bir şekilde izlenmesini sağlayacak yöntemlerin geliştirilmesine katkıda bulunmaktadır.

Özet (Çeviri)

This thesis examines the development of passive brain-computer interfaces that monitor mental states such as focused, unfocused, or drowsy using electroencephalographic (EEG) brain activity imaging and machine learning techniques. The aim of the study is to develop and compare suitable algorithms for accurately detecting and tracking mental states. A comprehensive step-by-step process is established for processing EEG data in the study. This process encompasses preprocessing, feature extraction, and classification stages of EEG signals. Various time and frequency-based methods are employed in the feature extraction stage to obtain meaningful information from the signal. The extracted features are then fed into classification algorithms. The thesis compares three different machine learning algorithms – k-Nearest Neighbors (k-NN), Adaptive Decision Tree (ADT) classifier, and Support Vector Machines (SVM) – using the Radial Basis Function (RBF) model. The objective of this comparison is to determine which algorithm provides the highest accuracy in mental state detection. As a result, experiments and analyses conclude that the SVM algorithm outperforms the other methods in mental state detection. The superior performance of SVM stems from its ability to work effectively on complex and high-dimensional datasets. These findings represent a significant step towards the development and implementation of EEG-based passive brain-computer interfaces. This thesis contributes to the development of methods that enable continuous and reliable monitoring of individuals' mental states by analyzing EEG signals and utilizing machine learning techniques.

Benzer Tezler

  1. Korteks davranışının vuru üreten hücre modeli ile incelenmesi

    Analysis of cortex behavior by a spiking neuron model

    YUSUF KUYUMCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. NESLİHAN SERAP ŞENGÖR

  2. Beyin bilgisayar arayüz (BBA) sistemleri ile akıllı saat entegresi sağlanarak uyku apnesi sorununun tespit edilmesi

    Detection of sleep apnea problem by integrating a smart clock with brain-computer interface (BBA) systems

    BURAK KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiSüleyman Demirel Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA REŞİT USAL

  3. Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti

    Detection of alzheimer's from EEG signal with machine learning methods

    YELİZ ŞENKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

  4. Kamu spotlarının etkisinin EEG sinyalleri ölçümü ile değerlendirilmesi

    Studying with EEG signal measuring the impact of public spots

    ÇİĞDEM AFACAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH BAŞÇİFTÇİ

  5. Psikofizyolojik ölçüm tabanlı beyin bilgisayar arayüz sistemlerinde performans artırmaya yönelik bir çalışma

    A study on performance increasing in psychophysiological measurement based brain-computer interface systems

    ERDEM ERKAN

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKBABA