Geri Dön

Eeg sinyallerinin sınıflandırma performansını yeni bir rastgele alt küme kanal seçim yaklaşımıyla geliştirme: Tat, koku ve motor hayaline dayalı veri kümelerinde uygulamalar

Improving the classification performance of eeg signals with a novel random subset channel selection approach: Applications on taste, olfactory, and motor imagery datasets

PDF İndir

  1. Tez No: 904605
  2. Yazar: AMIR NASER
  3. Danışmanlar: PROF. DR. ÖNDER AYDEMİR
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 121

Özet

Beyin-bilgisayar arayüzü (BBA) sistemlerinin performansını artırmak ve nörolojik hastalıkların erken teşhisini mümkün kılmak, günümüz nörobilim ve sinir mühendisliği alanlarında kritik bir araştırma konusu haline gelmiştir. Bu çalışmada, EEG sinyalleri için öznitelik çıkarma ve sınıflandırma yöntemlerinin performansı çeşitli veri kümeleri kullanılarak değerlendirilmiştir. Üç farklı veri kümesi üzerinde inceleme yapılmıştır: 10 denekle tat temelli, 5 denekle koku temelli ve 29 denekle motor hayali EEG verileri. Tat verileri için Hilbert Dönüşümü (HD), koku verileri için Dalgacık Paket Ayrıştırması (DPA) ve motor hayali verileri için HD yöntemleri uygulanmıştır. Önerilen Rastgele Alt Küme Kanal Seçimi (RAKS) yöntemi, sıralı arama yöntemleriyle karşılaştırılmış ve en etkili kanallar belirlenmiştir. RAKS yöntemi, tat veri setinde %82 doğruluk sağlarken %37,9 oranında işlem karmaşıklığını azaltmıştır. Koku veri setinde %98,38 doğruluk ve %89.09 işlem karmaşıklığı azalması elde edilmiştir. Motor hayali veri setinde ise %81,56 doğrulukla sıralı yöntemlerden daha üstün performans sergileyip işlem karmaşıklığını %75 oranında azaltmıştır. Sonuç olarak, önerilen RAKS yöntemi, geleneksel sıralı yöntemlere kıyasla hem sınıflandırma doğruluğunu artırmakta hem de işlem karmaşıklığını azaltmaktadır. Bu yöntem, EEG sinyalleri başta olmak üzere BBA sistemlerinin performansını iyileştirme potansiyeline sahip olup, nörolojik hastalıkların tespiti ve erken teşhisinde önemli katkılar sunmaktadır.

Özet (Çeviri)

Improving the performance of Brain-Computer Interface (BCI) systems and enabling the early diagnosis of neurological diseases have become critical research topics in contemporary neuroscience and neural engineering. This study uses various datasets to evaluate the performance of feature extraction and classification methods for EEG signals. Three different datasets were examined: taste-based EEG signals from 10 subjects, odor-based EEG signals from 5 subjects, and motor imagery EEG data from 29 subjects. Hilbert Transform (HT) was applied for taste data, Wavelet Packet Decomposition (WPD) for odor data, and HT for motor imagery data. The proposed Random Subset Channel Selection (RSCS) method was compared with sequential search methods, and the most effective channels were identified. The RSCS method achieved 82% accuracy for the taste dataset while reducing computational complexity by 37.9%. For the odor dataset, 98.38% accuracy was achieved, with an 89.09% reduction in computational complexity. RSCS achieved 81.56% accuracy for the motor imagery dataset, outperforming sequential methods and reducing computational complexity by 75%. In conclusion, the proposed RSCS method enhances classification accuracy while reducing computational complexity compared to traditional sequential methods. This method holds the potential for improving the performance of BCI systems, particularly for EEG signals, and offers significant contributions to the detection and early diagnosis of neurological disorders.

Benzer Tezler

  1. Tez No

    695791

    Yoğun bakım ünitelerinde yatan derin koma hastalarına ait fizyolojik sinyallerin analizi ve sınıflandırılması ile bilinç seviyelerinin belirlenmesi

    Determination of consciousness levels by analysis and classification of physiological signals of deep coma patients in intensive care units

    ÇİĞDEM GÜLÜZAR ALTINTOP

    Doktora

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA LATİFOĞLU

  2. Tez No

    377417

    Probabilistic graphical models for brain computer interfaces

    Probabilistic graphical models for brain computer interfaces

    JAİME FERNANDO DELGADO SAA

    Doktora

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  3. Tez No

    787492

    A novel hybrid feature extraction method for classification of chemosensory EEG signals

    Kemoduysal EEG sinyallerinin sınıflandırılması için yeni bir hibrit öznitelik çıkarma yöntemi

    BEGÜM KARA GÜLAY

    Doktora

    İngilizce

    İngilizce

    2023

    BiyofizikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. NESLİHAN DEMİREL

  4. Tez No

    445038

    Sleep stage classification using disagreement based co-active learning

    Anlaşmazlık tabanlı öğrenme ile uyku evrelerinin sınıflandırılması

    AYŞE BETÜL YÜCE

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  5. Tez No

    445013

    Biyonik el kontrolü için EMG işaretlerininin makine öğrenmesi yöntemiyle sınıflandırılması

    Wavelet transformation and classification with machine learning methods of electromyography signals for bionic hand control

    DUYGU BAĞCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OSMAN HİLMİ KOÇAL

Geri Dön