Motor imagery classification using multivariate empirical mode decomposition (MEMD) based functional connectivity features
Çoklu-değişkenli deneysel kip ayrıştırımı-tabanlı işlevsel bağlantısallık öznitellikleriyle motor imgeleme sınıflandırması
- Tez No: 930079
- Danışmanlar: PROF. DR. AHMET ADEMOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 49
Özet
Elektroensefalografi motor imgeleme sinyalleri, beyin-bilgisayar arayüzleri uygulamalarında sıklıkla kullanılmaktadır. Son zamanlarda, işlevsel bağlantısallık ölçütleri, EEG kanalları arasındaki istatistiksel bağımlılıkları yakalayabilmesi nedeniyle ilgi toplamıştır. Ancak, motor imgeleme görevleri sırasındaki işlevsel bağlantısallık henüz tam olarak keşfedilememiştir. Bu çalışmada, EEG sinyallerinden gürültü destekli çoklu boyutlu deneysel kip ayrıştırımı ile elde edilen içsel mod fonksiyonları arasında hesaplanan faz kilitleme değeri, koherans, ve koheransın sanal kısmı değerleri sağel/sol-el motor imgeleme sınıflandırmasında kullanılmıştır. Sonuçlar analiz edildiğinde, en iyi doğruluk skorunun koheransın sanal kısmının zaman-frekans fonksiyonlarından türetilen özellikler kullanılarak 0.77 olarak elde edildiği görülmüştür. Bu çalışma ile işlevsel bağlantısallık ölçütlerinin zamana göre değişiminin motor imgeleme sınıflandırması için işlenmemiş veriden hesaplanan değerlere kıyasla daha etkili olduğu gösterilmiştir. Bu çalışmada daha az sayıda kanal kullanılması avantajıyla benzer çalışmalarla kıyaslanabilir sonuçlar elde edilebilmiştir.
Özet (Çeviri)
Electroencephalogram (EEG) motor imagery signals are widely used for the implementation of brain-computer interfaces (BCI). Recently, functional connectivity measures have attracted attention as they can be used to capture statistical dependencies among EEG channels. However, functional connectivity during motor imagery tasks have not been fully explored. This study utilizes Instrinsic Mode Function (IMF) level phase locking value (PLV), coherence, and imaginary part of coherency in lefthand/right-hand motor imagery classification. EEG signals are decomposed into IMFs via noise-assisted multidimensional empirical mode decomposition (NA-MEMD), and connectivity metrics over the selected four channels are calculated for each trial as raw data and as a function of time and frequency. Resulting features are used to train multiple classifiers and their accuracy scores are analyzed. Best results are obtained using features derived from time-frequency functions of imaginary part of frequency where the overall accuracy score of 0.77 is achieved. This study shows that the change of connectivity throughout the duration of the task provides a more effective feature than connectivity calculated using each trial as raw data. Achieved accuracy scores are comparable to similar studies with the additional advantage of using few number of channels.
Benzer Tezler
- Motor imagery EEG classification using algorithms and machine learning for als disease
Als hastalığı için makine öğrenimi ve algoritmalarla motor görüntüleme EEG sınıflandırması
MOHAMMED MAJEED HAMEED HAMEED
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. TIMUR INAN
- 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
- Motor imagery based mobile brain computer interface design using machine learning techniques
Makine öğrenmesi yöntemleri ile motor hareket hayali tabanlı mobil beyin bilgisayar arayüzü tasarımı
HAKAN AŞIK
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY DOKUR
- Sınıf içi ve sınıflar arası saçılmaya duyarlı ortak uzamsal örüntüler ile motor hareket hayalinin tanınması
Motor imagery recognition with within class and between class scatter sensitive common spatial patterns
MECİT EMRE DUMAN
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Brain computer interfacing (BCI) data analysis using graph signal processing
Çizge sinyal işleme ile beyin bilgisayar arayüzü verilerinin analizi
SEVDE BÜŞRA BAYRAK
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ADEMOĞLU