Elektroensefalografi tabanli beyin bilgisayar arayüzü sistemlerinde kullanilan kanallarin duygu tanima performans analizi
Emotion recognition performance analysis of electroencephalography based brain computer interface systems
- Tez No: 892862
- Danışmanlar: DOÇ. DR. PINAR ONAY DURDU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Beyin Bilgisayar Arayüzü (BBA) teknolojileri, Elektroensefalografi (EEG) sinyallerini işleyerek duygu tanıma, motor görüntü sınıflandırma, uyku durumu sınıflandırma gibi çeşitli alanlarda kullanılmaktadır. Özellikle duygu tanıma alanında, beynin farklı bölgelerine yerleştirilen EEG elektrotları, duygu durumuna bağlı olarak farklı öneme sahiptir. Ancak, çok sayıda elektrot kullanmak, işlenecek veri miktarını ve EEG verilerini elde etmek için gerekli donanım maliyetini artırabilir. Bu nedenle, EEG tabanlı duygu tanıma çalışmalarında kanal seçimi önemli hale gelmiştir. Bu çalışmada, EEG tabanlı duygu tanıma üzerinde etkili olan EEG kanallarının değerlendirilmesi gerçekleştirilmiştir. Çalışma kapsamında, EEG sinyallerini elde edebilmek için 20 katılımcıyla her biri 2 oturumdan oluşan bir kullanıcı deneyi ile, EEG sinyalleri Emotiv EPOC+ cihazı kullanılarak kaydedilmiştir. Değerlendirme için, Emotiv EPOC+ cihazındaki 14 EEG kanalı üzerinden 56 farklı EEG kanal kombinasyonu oluşturulmuştur. EEG sinyallerinin ön işleme aşamasında bant geçiren filtreleme, öznitelik çıkarımı için Kısa Zamanlı Fourier Dönüşümü ve diferansiyel entropi, ortalama, standart sapma ve varyans kullanılmıştır. Öznitelik seçimi için Doğrusal Diskriminant Analizi (LDA) yöntemi uygulanmıştır. Destek Vektör Makinaları (DVM), k-En Yakın Komşuluk (kNN) ve Lojistik Regresyon (LR) makine öğrenmesi sınıflandırma yaklaşımları ile duygu tanıma gerçekleştirilmiştir. Gerçekleştirilen analizler sonucunda, 12 kanal (AF3, AF4, F3, F4, F7, F8, FC5, FC6, T7, T8, O1, O2) kullanımı ile uyarılma ve değerlik duygu boyutları için DVM, KNN ve LR yaklaşımlarından %94 ve üzeri sınıflandırma doğruluğu elde edilmiştir. Sınıflandırma metrikleri ile işlem süresi üzerinden kıyaslama gerçekleştirildiğinde Lojistik Regresyon yaklaşımı ile 12 kanal (AF3, AF4, F3, F4, FC5, FC6, P7, P8, T7, T8, O1, O2) kullanıldığında en uygun sınıflandırma performansı elde edilmiştir.
Özet (Çeviri)
Brain-Computer Interface (BCI) technologies are utilized in various fields such as emotion recognition, motor imagery classification, and sleep state classification by processing Electroencephalography (EEG) signals. Particularly in emotion recognition, EEG electrodes placed in different regions of the brain have varying importance depending on the emotional state. However, using a large number of electrodes can increase the amount of processed data and raise the hardware costs for obtaining EEG data. In the literature, there are various approaches and methods for selecting the most suitable location and number of EEG channels. In this context, channel selection has become crucial in EEG-based emotion recognition studies. This study aims to evaluate the EEG channels effective in EEG-based emotion recognition. EEG signals were recorded using the Emotiv EPOC+ device with 20 participants in a user experiment consisting of two sessions each. For evaluation, 56 different EEG channel combinations were created based on the 14 EEG channels of the Emotiv EPOC+ device. Bandpass filtering was applied during the preprocessing stage of EEG signals and Short-Time Fourier Transform and differential entropy were used for feature extraction along with mean, standard deviation, and variance. Linear Discriminant Analysis (LDA) was applied for feature selection. Emotion recognition was performed using Support Vector Machines (SVM), k-Nearest Neighbors (kNN), and Logistic Regression (LR) machine learning classification algorithms. The analyses yielded the best classification accuracies above 94% for arousal and valence emotional dimensions using 12 channels (AF3, AF4, F3, F4, F7, F8, FC5, FC6, T7, T8, O1, O2) with SVM, kNN, and LR algorithms. In addition, the LR algorithm achieved the best performance with 12 channels (AF3, AF4, F3, F4, FC5, FC6, P7, P8, T7, T8, O1, O2) when compared in terms of classification performance and processing time.
Benzer Tezler
- 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
- 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
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Durağan hal görsel uyaran tabanlı beyin bilgisayar arayüzü için optimum uyaran özelliklerinin belirlenmesi ve gerçeklenmesi
Determination of feature of optimum stimulus and design for SSVEP based brain computer interface
ZEKİ ORALHAN
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT TOKMAKÇI
- Beyin bilgisayar arayüzü uygulamalarina yönelik EEG işaretleri için öznitelik çikarma
Feature extraction for EEG signals towards brain computer interface applications
ÖNDER AYDEMİR
Yüksek Lisans
Türkçe
2008
BiyomühendislikKaradeniz Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DOÇ. DR. TEMEL KAYIKÇIOĞLU