Derin öğrenme yöntemleri ile EEG tabanlı motor imgeleme sinyallerinin sınıflandırılması
Classification of motor imagery EEG signals using deep learning methods
- Tez No: 907119
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜLSÜM ŞANAL, DR. ÖĞR. ÜYESİ KÜBRA EROĞLU
- 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: İSTANBUL NİŞANTAŞI ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 129
Özet
Beyin-bilgisayar ara yüzü, sağlık hizmetlerinden insan yeteneklerini artırmaya kadar geniş bir yelpazede devrim yaratabilecek potansiyele sahip yeni ve yenilikçi bir teknolojidir. Son yıllarda, derin öğrenmenin EEG tabanlı motor imgeleme Beyin-bilgisayar ara yüzü sistemleri üzerindeki etkisi hızla artmış ve bu alanda önemli ilerlemeler kaydedilmiştir. Derin öğrenme yöntemlerinin EEG sinyallerinin analizine katkısı, bu sistemlerin doğruluk ve verimliliğini büyük ölçüde artırmıştır. Bu tezde, BCI Competition IV 2a veri seti kullanılarak EEG tabanlı motor imgeleme sinyallerinin sınıflandırılmasında derin öğrenme yöntemlerinin performans sonuçları araştırılmıştır. Çalışmada, EEGNet, ShallowConvNet, VGGNet, CNN, LSTM, GRU, DeepConvNet ve SCNN modelleri kullanılarak sınıflandırma işlemleri gerçekleştirilmiş ve elde edilen sonuçlar karşılaştırılmıştır. Sınıflandırma performanslarına göre, en yüksek doğruluk oranları EEGNet ve ShallowConvNet modelleri tarafından elde edilmiştir. Bu bulgular, bu iki modelin, beyin sinyallerinin sınıflandırılmasında diğer yöntemlere kıyasla daha başarılı olduğunu ortaya koymaktadır. Bununla birlikte çalışmanın doğruluğunu teyid etmek amacı ile makine öğrenimi algoritmalarından; Lojistik Regresyon, Doğrusal Ayırt Etme Analizi, Destek Vektör Makinesi, Rastgele Orman, Karar Ağaçları, K-En Yakın Komşu algoritmaları kullanılarak aynı veri seti için sınıflandırma ölçümleri gerçekleştirilmiştir. Derin öğrenme ve makine öğrenimi performans sonuçları karşılaştırıldığında ise bazı deneklerde derin öğrenme, bazılarında ise makine öğrenimi yöntemlerinin daha yüksek başarım gösterdiği gözlemlenmiştir. Genel sonuç itibari ile tüm deneklerin ortalama başarısı %80' in üzerinde bulunmuştur. Bu çalışma ile Beyin-bilgisayar ara yüzü verilerinin sınıflandırılması üzerinde derin öğrenme modellerinin başarımı kendi içerisinde ve makine öğrenimi algoritmaları ile karşılaştırılarak ortaya konulmuştur. Ayrıca motor imgeleme araştırmalarında odaklanılması gereken zaman ve frekans aralığının denekten deneğe farklılaştığı gözlemlenmiştir. Bu bağlamda yapılan çalışma literatür için bütünleştirici bir sonuç ortaya koymuştur.
Özet (Çeviri)
The brain-computer interface (BCI) is a novel and innovative technology with the potential to revolutionize a wide range of fields, from healthcare to human capability enhancement. In recent years, the impact of deep learning on EEG-based motor imagery (MI) BCI systems has significantly increased, leading to notable advancements in this area. Deep learning methods have greatly improved the accuracy and efficiency of EEG signal analysis. This thesis explores the performance of deep learning methods in classifying EEG-based MI signals using the BCI Competition IV 2a dataset. Models such as EEGNet, ShallowConvNet, VGGNet, CNN, LSTM, GRU, DeepConvNet, and SCNN were employed for classification, with EEGNet and ShallowConvNet demonstrating the highest accuracy. These findings suggest that these two models outperform other methods in classifying brain signals. To validate the results, machine learning algorithms, including Logistic Regression (LR), Linear Discriminant Analysis (LDA), Support Vector Machine (SVM), Random Forest (RF), Decision Trees (DT), and K-Nearest Neighbors (KNN) were also applied to the same dataset. The results indicated that LR, LDA, SVM, and RF produced comparable and favorable results. In comparing deep learning and machine learning algorithms, deep learning models excelled in some subjects, while machine learning models performed better in others. Overall, the average performance across all subjects exceeded 80%. This study highlights the effectiveness of deep learning models in classifying BCI data and provides integrative insights into the optimal time and frequency ranges for motor imagery research, which vary between subjects.
Benzer Tezler
- Classification of ten different motor imagery eeg signals by using deep neural networks
On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması
NURİ KORHAN
Doktora
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Motor imagery EEG signal classification using deep learning for brain computer interfaces
Beyin bilgisayar arayüzü için derin öğrenme kullanarak motor imgeleme EEG sinyali sınıflandırma
YOUSEF REZAEI TABAR
Doktora
İngilizce
2017
BiyomühendislikOrta Doğu Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR HALICI
PROF. DR. CANAN KALAYCIOĞLU
- Feature extraction for EEG motor imagery signals using a deep neural network
Derin sinir ağı kullanarak motor imgeleme EEG sinyalleri için öznitelik çıkarımı
RIDVAN SOYSAL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR HALICI
- 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
- Beyin bilgisayar arayüzü uygulamalarında motor görüntüleme EEG sinyallerinin analizi için yeni yaklaşımlar
New approaches to analysis of motor imagery EEG signals in brain computer interface applications
ESRA KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL SARITAŞ