Classification of EEG signals in individuals with spinal cord injury
Omurilik yaralanması olan bireylerde EEG sinyallerinin sınıflandırılması
- Tez No: 932293
- Danışmanlar: DOÇ. DR. AHMET AYDIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Elektroensefalogram (EEG), kafa derisine stratejik olarak yerleştirilen elektrotlar aracılığıyla kaydedilen beynin elektriksel aktivitesini ifade eder. EEG, bireyler ile çevreleri arasında bir iletişim kanalı kurma, beyin fonksiyonlarını anlama ve hem tanı hem de tedavi amaçlı müdahalelere destek olma gibi çeşitli uygulamalara sahiptir. EEG bileşenleri arasında, istemli hareketlerin planlanması ve gerçekleştirilmesiyle ilişkili nöral sinyaller olan Hareketle İlişkili Kortikal Potansiyeller (MRCP'ler), bu uygulamaların ilerlemesinde önemli bir rol oynamaktadır.Bu araştırma, EEG sinyallerinin sınıflandırılmasını, iki farklı özellik çıkarma tekniği olan Hadamard Temel Yöntemi ve Detrend Edilmiş Varyans Tabanlı MRCP Özellik Çıkarma (VB-MFED) yaklaşımı kullanarak incelemektedir.Hadamard Temel Yöntemi, EEG sinyallerini benzersiz temel fonksiyonlara ayrıştırmak için ortogonal dönüşümleri kullanarak kritik nöral aktivitelerin daha yüksek bir hassasiyetle çıkarılmasını sağlar. Buna karşılık, VB-MFED, Hareketle İlişkili Kortikal Potansiyellerin (MRCP'ler) çıkarılmasını geliştirmek için özel olarak tasarlanmış, optimize edilmiş bir yöntemdir. Uyarlamalı filtreleme, temel çizgi düzeltme ve uzamsal filtreleme gibi optimize edilmiş ön işleme adımları içererek, hareketle ilgili görevlerle ilişkili nöral sinyalleri izole eder ve güçlendirir.Bu çalışma, omurilik yaralanması (SCI) olan bireylerde el açma, palmar kavrama, lateral kavrama, pronasyon ve supinasyon gibi belirli hareket türlerine odaklanarak, denenen hareketlerle ilişkili MRCP'lerin sınıflandırılmasına odaklanmaktadır. Deneysel sonuçlar, VB-MFED yaklaşımının geleneksel yöntemlere kıyasla daha yüksek sınıflandırma doğruluğu sağladığını göstermekte, gerçek zamanlı uygulamalar için potansiyelini ortaya koymaktadır. Bulgular, MRCP'lerin gelişmiş beyin-bilgisayar arayüzü (BCI) sistemlerinde kullanımının uygulanabilirliğini vurgulamakta ve motor bozuklukları olan bireyler için yenilikçi nöroreabilitasyon çözümleri için temel oluşturmaktadır.
Özet (Çeviri)
An electroencephalogram (EEG) refers to the electrical activity of the brain, recorded through electrodes strategically placed on the scalp. EEG has diverse applications, including serving as a medium for establishing communication channels between individuals and their environment, aiding in understanding brain functions, and supporting both diagnostic and therapeutic interventions. Among the various EEG components, Movement-Related Cortical Potentials (MRCPs),neural signals associated with the planning and execution of voluntary movements play a pivotal role in advancing these applications.This research investigates the classification of EEG signals using two distinct feature extraction techniques: the Hadamard Basis Method and the Variance-Based MRCP Feature Extraction with Detrending (VB-MFED) approach.The Hadamard basis method utilizes orthogonal transformations to decompose EEG signals into unique basis functions, enabling the extraction of critical neural activity with enhanced precision. In contrast, VB-MFED represents a refined methodology specifically designed to improve the extraction of Movement-Related Cortical Potentials (MRCPs). It incorporates optimized preprocessing steps, such as adaptive filtering, baseline correction, and spatial filtering, to isolate and amplify neural signals relevant to movement-related tasks.This study focuses on classifying MRCPs associated with attempted movements, emphasizing distinct movement types such as hand opening, palmar grasp, lateral grasp, pronation, and supination in individuals with spinal cord injuries (SCI). Experimental results indicate that the VB-MFED approach achieves higher classification accuracy compared to traditional methods, highlighting its potential for real-time applications. The findings underscore the viability of utilizing MRCPs for advanced brain-computer interface (BCI) systems and lay the groundwork for innovative neurorehabilitation solutions tailored to individuals with motor impairments.
Benzer Tezler
- Manifold learning-based EEG signal processing for motor intention classification in bci-controlled rehabilitation systems
Bcı kontrollü rehabilitasyon sistemlerinde motor niyet sınıflandırması için manifold öğrenme tabanlı EEG sinyal işleme
HEZZAL KÜÇÜKSELBES
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBRU SAYILGAN
- Makine öğrenmesi algoritmaları ile engellilere yönelik EEG işaretlerinin sınıflandırılması
Classification of EEG signals for the disabled with machine learning algorithms
ALİ OSMAN SELVİ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH FERİKOĞLU
- Makine öğrenmesi algoritmaları kullanılarak glossokinetik potansiyel tabanlı dil-makine arayüzü tasarımı
Glossokinetic potential based tongue-machine interface design using machine learning algorithms
KUTLUCAN GÖRÜR
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET RECEP BOZKURT
PROF. DR. FEYZULLAH TEMURTAŞ
- Mobil eeg tabanlı açlık ve tokluk sınıflandırılması
Mobile eeg based hunger and satiety classification
EGEHAN ÇETİN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN BİLGİN
- Dikkat eksikliği ve hiperaktivite bozukluğunun(DEHB) EEG sinyalleri kullanılarak yapay sinir ağları ile kestirimi.
Estimation of attention deficit and hyperactivity disorder (ADHD) with artificial neural networks using EEG signals
MUSTAFA BAŞARAN
Yüksek Lisans
Türkçe
2019
BiyomühendislikDumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA TOSUN