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
- Tez No: 891126
- Danışmanlar: YRD. DOÇ. DR. IMAN ELAWADY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Korteks davranışının vuru üreten hücre modeli ile incelenmesi
Analysis of cortex behavior by a spiking neuron model
YUSUF KUYUMCU
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. NESLİHAN SERAP ŞENGÖR
- 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
2024
Makine MühendisliğiSüleyman Demirel ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA REŞİT USAL
- Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti
Detection of alzheimer's from EEG signal with machine learning methods
YELİZ ŞENKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇETİN KURNAZ
- Kamu spotlarının etkisinin EEG sinyalleri ölçümü ile değerlendirilmesi
Studying with EEG signal measuring the impact of public spots
ÇİĞDEM AFACAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKBABA