Drowsiness detection using brain signal recognition deep neural network (BSRDNN)
Beyin sinyali tanima kullanilarak uyuşukluk algilama derin sinir aği (BSRDNN)
- Tez No: 928404
- Danışmanlar: PROF. DR. SEMİH BİLGEN
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tek kanallı elektroensefalografi (EEG) verilerinden uyuşukluk tespiti için tek boyutlu evrişimli nöral ağ modeli (1D-CNN) ve yapay nöral ağ (ANN) temelli yeni bir derin öğrenme mimarisi olan BSRDNN (beyin sinyali tanıma derin nöral ağı) önerilmiştir. Yöntemin etkinliği, tek bir elektrot tarafından toplanan 80 saatten uzun süreli EEG verisi içeren MIT/BIH polisomnografik EEG veri kümesi (MIT/BIH-PED) kullanılarak gösterilmiştir. 16 denek için EEG sinyalleri BSRDNN tarafından uyanıklık, uyuşukluk ve uyku olarak sınıflandırılmıştır. BSRDNN iki yaklaşımla kullanılmıştır: Seçenek 1, derin öğrenme ile özellik çıkarma ve sınıflandırmadan oluşur; Seçenek 2'de özellik ve sınıflandırma, makine öğrenimi algoritmaları, naif Bayes (NB), k-en yakın komşular (KNN), rastgele orman (RF) ve stokastik gradyan inişi (SGD) ile gerçekleştirilir. Önerilen tekniğin performansını artırmak için birleştirilmiş denek doğrulaması uygulanmıştır. Simülasyonlar, aynı veri setine uygulanan en son tekniklerle karşılaştırıldığında doğruluk, geri çağırma, F1 puanı ve kesinlik açısından daha iyi performans gözlenmiştir: Seçenek 1'de %92,31 genel doğruluk ve Seçenek 2'de %94,8-100 doğruluk elde edilmiştir. Önerilen yeni BSRDNN modeli, aynı MIT/BIH-PED veri setini kullanan yayınlanmış araştırmalarda yer alan modellere göre açık bir üstünlük göstermektedir. Diğer modellere kıyasla daha az eğitilebilir parametre ve aritmetik işlemle belirlenmiş görevini gerçekleştirebildiği ve dolayısıyla daha hızlı eğitim ve test aşamalarıyla sonuçlandığı gösterilmiştir. Bu gelişmiş hız ile, daha hızlı uyuşukluk tespiti sağlanmış ve süreç için gereken genel süre azaltılmıştır.
Özet (Çeviri)
A novel deep learning architecture, BSRDNN (brain signal recognition deep neural network), based on a one-dimensional convolutional neural network model (1D-CNN) and artificial neural network (ANN), is proposed for drowsiness detection from single-channel electroencephalographic (EEG) data. The effectiveness of the method is shown using the MIT/BIH polysomnographic EEG dataset (MIT/BIH-PED) with more than 80h long-term EEG data collected by a single electrode. EEG signals for 16 subjects were classified by BSRDNN as wakefulness, drowsiness, and sleep. BSRDNN was used via two approaches: Option 1 consists of feature extraction and classification by deep learning; in Option 2, feature and classification are performed by machine learning algorithms, naïve Bayes (NB), k-nearest neighbours (KNN), random forest (RF), and stochastic gradient descent (SGD). Combined-subject validation was applied extraction to enhance the performance of the proposed technique. Simulations demonstrated better performance in terms of accuracy, recall, F1-score and precision compared to the current state-of-the-art techniques applied to the same dataset: We obtained 92.31% overall accuracy in Option 1, and 94.8–100% in Option 2. The proposed novel BSRDNN model demonstrates clear superiority over those featured in published research that used the same MIT/BIH-PED dataset. It can perform its designated task with less trainable parameters and arithmetic operations compared to other models, resulting in faster training and testing phases. This enhanced speed facilitates quicker drowsiness detection, thereby reducing the overall time required for the process.
Benzer Tezler
- Major depresyonlu hastalarda amineptinin trazodon ve plasebo ile çift kör karşılaştırmalı bir çalışması
Başlık çevirisi yok
RÜSTEM AŞKIN
- Oto - boya sanayiinde çalışan işçilerin işçi sağlığı ve iş güvenliği bakımından korunması
Başlık çevirisi yok
RUHİ ODABAŞI
Yüksek Lisans
Türkçe
1995
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. KADİR ARICI
- Ankara'daki kuru temizleme atölyeleri yerleşim düzenlerinin çalışanların iş verimliliğine etkileri
The Effects of arrangements of dry-cleaning units on work efficiency of workers in Ankara
FATMA ARPACI
Yüksek Lisans
Türkçe
1999
Ev EkonomisiAnkara ÜniversitesiEv Ekonomisi Ana Bilim Dalı
DOÇ. DR. VELİTTİN KALINKARA
- Farmasötik jellerde örnek bir ön formülasyon çalışması
A Study on a representative preformulation in pharmaceutical gels
ÇETİN TAŞ
Yüksek Lisans
Türkçe
2000
Eczacılık ve FarmakolojiGataFarmasötik Teknoloji Ana Bilim Dalı
YRD. DOÇ. DR. YALÇIN ÖZKAN
- Kronik yaygın ve lokal muskuloskeletal ağrılı hastalarda 25OH-Vitamin D ve diğer biyokimyasal parametreler ile psikolojik durum-yaşam kalitesi ilişkisi
The relation between 25OH-Vitamin D and other biochemical parameters and psychological situation-life quality in the patients with chronic widespread and local musculoskeletal pain
REVŞA EVİN CANPOLAT ERKAN
Tıpta Uzmanlık
Türkçe
2009
BiyokimyaDicle ÜniversitesiBiyokimya ve Klinik Biyokimya Ana Bilim Dalı
PROF. DR. NURİYE METE