EEG sinyalleri ile duygu tanımada transfer öğrenme yöntemlerinin karşılaştırmalı performans analizi
Comparative performance analysis of transfer learning methods in emotion recognition using EEG signals
- Tez No: 929636
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ALTUNCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Bu tez, EEG tabanlı duygu tanıma alanında transfer öğrenme yöntemlerinin kapsamlı bir karşılaştırmasını sunmaktadır. EEG sinyalleri, Sürekli Dalgacık Dönüşümü (CWT) ile scalogram formatına dönüştürülerek analiz edilmiş ve altı farklı derin öğrenme modelleriyle sınıflandırılmıştır. Çalışma, EEG sinyallerinin doğrudan işlenmesi yerine scalogram görsellerine dönüştürülerek analiz edilmesinin, duygu sınıflandırma performansı üzerindeki etkisini detaylı şekilde incelemekte ve bu yöntemin etkinliğini ortaya koymaktadır. Test edilen modeller arasında, ResNet101 ve DenseNet201 modelleri, elde edilen %91,39 ve %91,11 doğruluk oranları ile en yüksek başarıyı göstermiştir. ResNet101 modeli, artık bağlantılar sayesinde derin katmanlardan etkili özellik çıkarımı yaparak EEG tabanlı duygu analizinde yüksek performans sergilemiştir. DenseNet201 ise katmanlar arası yoğun bağlantılarla bilgi akışını artırarak başarılı bir sonuç elde etmiştir. Mobil cihazlar için optimize edilmiş bir model olan MobileNetV2'nin EEG tabanlı duygu analizi için değerlendirilmesi, bu alandaki literatürde sınırlı sayıda ele alınan bir konudur ve çalışmanın özgün katkılarından biridir. Bu çalışma, farklı derin öğrenme mimarilerinin avantajlarını ve dezavantajlarını sistematik olarak ele alarak literatüre önemli bir katkı sağlamaktadır. Özellikle tek bir model yerine birden fazla modelin aynı veri setinde karşılaştırılması, uygulama amacına göre doğru model seçimi için kapsamlı bir rehber sunmaktadır. Sonuçlar, daha derin ve karmaşık modellerin genellikle daha yüksek performans sağladığını, ancak kaynak kısıtlamaları durumunda hafif modellerin tercih edilebileceğini ortaya koymaktadır. Bu bağlamda çalışma, beyin-bilgisayar ara yüzleri, nöropazarlama ve psikoloji gibi alanlarda uygulanabilecek güçlü bir temel sunmaktadır.
Özet (Çeviri)
This thesis presents a comprehensive comparison of transfer learning methods in the field of EEG-based emotion recognition. EEG signals are analyzed by transforming them into scalogram format with Continuous Wavelet Transform (CWT) and classified with six different deep learning models. The study examines in detail the impact of analyzing EEG signals by converting them into scalogram images instead of processing them directly on emotion classification performance and demonstrates the effectiveness of this method. Among the tested models, ResNet101 and DenseNet201 achieved the highest accuracy rates of 91,39% and 91,11%, respectively. The ResNet101 model performed well in EEG-based emotion analysis by performing effective feature extraction from deep layers thanks to residual connections. DenseNet201 achieved a successful result by increasing the information flow with dense connections between layers. The evaluation of MobileNetV2, a model optimized for mobile devices, for EEG-based emotion analysis is a limited topic in the literature in this field and is one of the original contributions of this study. This study makes an important contribution to the literature by systematically addressing the advantages and disadvantages of different deep learning architectures. In particular, the comparison of multiple models rather than a single model on the same dataset provides a comprehensive guide for choosing the right model according to the application purpose. The results reveal that deeper and more complex models generally provide higher performance, but in the case of resource constraints, lightweight models may be preferable. In this context, the study provides a strong foundation that can be applied in areas such as brain-computer interfaces, neuromarketing and psychology.
Benzer Tezler
- An affective framework for brain computer interfaces using transfer learning in virtual environments
Sanal ortamlarda transfer öğrenme kullanılarak beyin bilgisayar arayüzleri için duyuşsal çerçeve oluşturulması
MEHMET ALİ SARIKAYA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Review on brain connectivity measurements used for emotion recognition
Duygu tanımlama için kullanılan beyin bağlantıları ölçümleri üzerine derleme
FEHMİ VOLKAN ÖZDEMİR
Yüksek Lisans
İngilizce
2016
BiyomühendislikBahçeşehir ÜniversitesiBiyomühendislik Ana Bilim Dalı
DOÇ. DR. SERAP AYDIN
- Derin sinir ağları ile EEG ve alın EOG tabanlı duygu analizi
EEG and forehead EOG based emotion analysis with deep neural networks
HÜSEYİN ÇİZMECİ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER ÖZCAN
- Makine öğrenmesi ile Türk müziğinde duygu analizi
Emotion analysis in Turkish music with machine learning
MEHMET BİLAL ER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN MURAT ESİN
- Real-time emotion recognition from EEG signals using one electrode device
Tek elektrotlu cihaz ile EEG sinyallerinden gerçek zamanlı duygu tanıma
MEHMET ALİ SARIKAYA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE