EEG sinyallerinin sınıflandırılmasında kuantum tabanlı karar destek sisteminin gerçekleştirilmesi
Implementation of a quantum-based decision support system for classification of EEG signals
- Tez No: 897664
- Danışmanlar: PROF. DR. MURAT KARABATAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Elektroensefalografi sinyalleri, sağlık sektöründen günlük yaşam aktivitelerinin analizine kadar geniş bir yelpazede uygulama alanı bulan, beyin aktivitelerini ölçen önemli biyomedikal veri kaynaklarıdır. Bu sinyaller, beyin dalgalarının elektriksel aktivitesini non-invaziv bir şekilde kaydederek, çeşitli nörolojik durumların ve bilişsel süreçlerin anlaşılmasına olanak tanır. EEG sinyallerinin ölçümü ve analizi, çeşitli makine öğrenmesi ve derin öğrenme teknikleri kullanılarak gerçekleştirilir. Bu tez çalışması, kuantum makine öğrenmesi tekniklerini kullanarak EEG sinyallerinin sınıflandırılmasındaki başarıyı analiz etmeyi hedeflemektedir. Kuantum makine öğrenmesi algoritmaları, kuantum hesaplama gücünü klasik makine öğrenmesi yöntemleriyle birleştirerek geliştirilen algoritmalardır. Tezin temel hipotezi, kuantum makine öğrenmesi algoritmalarının hız ve doğruluk açısından klasik algoritmaları geride bırakabileceği yönündedir. Tez kapsamında, ilk olarak EEG göz durumu veri seti üzerinde kuantum destekli SVM ve klasik makine öğrenme algoritmaları kullanılarak yapılan analizler sunulmuş ve kuantum tabanlı sınıflandırma algoritmalarının etkinliği ortaya konulmuştur. Yapılan ikinci çalışmada, EEG şizofreni veri seti kullanılarak çeşitli özellik haritalarının QSVM algoritmasının sınıflandırma başarısı üzerine etkisi incelenmiştir. Bu çalışma Pauli X özellik haritası için tüm kübit sayılarında %100 başarıma ulaşmıştır. Tez kapsamında gerçekleştirilen son çalışmada ise LieWaves veri setinde farklı parametrik kuantum devrelerinin kullanıldığı VQC algoritmaları incelenmiştir. QSVM algoritmasının statevector ve Qasm simülatör ortamlarından performansı değerlendirilmiştir. Ayrıca QSVM ve VQC algoritmasında özellik haritaları ve VQC algoritmasında parametrik kuantum devreleri optimize edilmiştir. Elde edilen sonuçlar SVM algoritması ile karşılaştırılmış ve önerilen yöntemin klasik SVM algoritmasına göre daha yüksek performans gösterdiği görülmüştür. Tez kapsamında yapılan çalışmalar, gelişmekte olan bir alan olmasına rağmen kuantum makine öğrenme algoritmalarının, klasik makine öğrenme yöntemlerine göre üstün performans gösterebileceğini ortaya koymaktadır. Kuantum simülatör ortamlarının kullanımı nedeniyle hız açısından, klasik makine öğrenme algoritmalarına göre çalışma süreleri daha fazladır. Kuantum bilgisayarların aktif olarak kullanılması ile hız problemlerinin de çözüme ulaşacağı öngörülmektedir.
Özet (Çeviri)
Electroencephalography (EEG) signals are significant biomedical data sources that measure brain activity, with applications ranging from healthcare to the analysis of daily life activities. These signals record the non-invasive electrical activity of brain waves, enabling the understanding of various neurological conditions and cognitive processes. The measurement and analysis of EEG signals involve the utilization of various machine learning and deep learning techniques. This thesis aims to analyze the efficacy of utilizing quantum machine learning techniques in the classification of EEG signals. Quantum machine learning algorithms combine the computational power of quantum computing with classical machine learning methods. The fundamental hypothesis of this thesis is that quantum machine learning algorithms can exceed classical algorithms in terms of speed and accuracy. Within the scope of this thesis, initial analyses are presented, utilizing quantum-enhanced SVM and classical machine learning algorithms on an EEG eye state dataset, thereby demonstrating the effectiveness of quantum-based classification algorithms. In a second study, the influence of various feature maps on the classification success of the QSVM algorithm is examined using an EEG schizophrenia dataset. This study achieved 100% accuracy across all qubit numbers for the Pauli X feature map. The final study within the thesis investigates VQC algorithms using different parametric quantum circuits on the LieWaves dataset. The performance of the QSVM algorithm is evaluated across state vector and Qasm simulator environments. Additionally, feature maps in QSVM and parametric quantum circuits in VQC algorithms are optimized. The results obtained are compared with the SVM algorithm, demonstrating that the proposed method outperforms classical SVM algorithms. Despite being an emerging field, the studies conducted within this thesis demonstrate that quantum machine learning algorithms have the potential to outperform classical machine learning methods. Currently, these algorithms require longer processing times compared to classical machine learning algorithms due to the utilization of quantum simulator environments. However, it is anticipated that these speed issues will be resolved with the active use of quantum computers.
Benzer Tezler
- İmleç hareketlerine ait eeg sinyallerinin sınıflandırılmasında adaptif ve adaptif olmayan filtrelerin uygulamaları
Applications of adaptive and non-adaptive filters for classification of eeg signals of motor imagery
ZEYNELABİDİN SEVGİLİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN
- A comparative study of distance/dissimilarity measures used for classification of electroencephalogram signals
Elektroensefalogram sinyallerinin sınıflandırılmasında kullanılan benzerlik/benzersizlik ölçümlerinin karşılaştırılması
ERÇİN ÖZCAN
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAMİ ARICA
- Electroencephalography (EEG) sinyal sınıflandırılmasında sinir-evrimi yaklaşımı
NeuroEvolutionary approach to electroencephalography (EEG) signal classification
ERDEM AYBEK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERİÇ ÇETİN
- İmleç hareketinin hayali sırasında kaydedilmiş eeg sinyallerinin sınıflandırmasını kolaylaştırmak amacıyla yeni bir dönüşüm yöntemi
A transformation method for feature extraction and classification of the eeg signal recorded during cursor movement imagery
BAHAR HATİPOĞLU
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL KÖSE
- Motor imgeleme eeg sinyallerinin zaman-frekans spektrogramı temelli sınıflandırma yöntemlerinin incelenmesi ve karşılaştırılması
Examination and comparison of time-frequency spectrogram-based classification methods for motor imagery eeg signals
MEHMET GÜROCAK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR