Graph convolutıon attentıon networks ın domaın dıverse EEG classıfıcatıon tasks
Alan farkli EEG siniflandirma görevlerinde graf konvolisyon dikkat ağlari
- Tez No: 933058
- Danışmanlar: Prof. Dr. SÜREYYA AKYÜZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Elektroensefalografi (EEG), nöbet, epilepsi veya atipik nörolojik epizotlar geçirdiğinden şüphelenilen bireylerin durumlarının değerlendirilmesinde etkili bir araç olarak hizmet vermektedir. Kaynak lokalizasyon teknikleri genellikle non-invaziv koşullar altında fonksiyonel ve lezyonlu alanları izole etmek için kullanılır. Makine öğrenimi (ML) teknikleri, gelişmiş nöral veri analizi verimliliği ve nörolojik fonksiyonun yorumlanması nedeniyle hesaplamalı sinirbilimdeki kullanımlarıyla hızla büyümüştür. Bir makine öğrenimi metodolojisi olan topluluk öğrenimi, daha iyi bir küresel model oluşturmak amacıyla aynı görev üzerinde eğitilen birden fazla sınıflandırıcı kullanmaya dayanır. Bu tez, iki farklı nörobilimsel alanda iki ana EEG veri kümesini analiz etmektedir. İlk olarak istatistiksel analiz ve kaynak lokalizasyonu gibi geleneksel yöntemler kullanılarak, ikinci olarak tek deneme tabanlı topluluk makine öğrenimi kullanılarak, üçüncü olarak da bir grafik konvolüsyon dikkat ağı kullanılarak analizler yapılmıştır. Grafik Konvolüsyon Dikkat Ağı (GCAT) yaklaşımı, hem geleneksel Grafik Konvolüsyon Ağlarının hem de Grafik Dikkat Ağlarının avantajlarını kullanmaktadır. Bu model, Ağ Sinirbilimi fikirlerini kullanır; EEG'nin karmaşık uzamsal dinamikleri, sinyalleri grafikler olarak çerçeveleyerek ele alınabilir ve kullanılabilir. Bu yaklaşım, beyin işlevi veya işlev bozukluğu hakkında bilgi sağlayan işlevsel veya yapısal bağlantılar gibi EEG ağ özelliklerinin incelenmesine olanak tanır. Bu yeni yöntem, sınıflandırma doğruluğunu artırırken modelin daha anlaşılır ve yorumlanabilir olmasını da sağlamaktadır. Bu yapısal avantajlar, modeli bu tezde sunulan EEG sınıflandırma görevleri için kullanışlı hale getirmektedir.
Özet (Çeviri)
Electroencephalography (EEG) serves as an effective tool in the assessment of individuals suspected of experiencing seizures, epilepsy, or atypical neurological episodes. Source localization techniques are generally utilized to isolate functional and lesioned areas, among others, under non-invasive conditions. Machine learning (ML) techniques have proliferated with computational neuroscience uses because of advanced neural data analysis efficiency and interpretation of neurological function. Ensemble learning, a methodology of machine learning, is based on using multiple classifiers that are trained in the same task to make a better global model. This thesis analyzes two primary EEG datasets over two different neuroscientific domains. First, using traditional methods such as statistical analysis and source localization, secondly using single-trial based ensemble machine learning, thirdly using a graph convolution attention network. This Graph Convolution Attention Network (GCAT) approach utilizes advantages from traditional Graph Convolution Networks and Graph Attention Networks. This model uses the ideas of Network Neuroscience, the intricate spatial dynamics of EEG can be addressed and utilized by framing the signals as graphs. This approach allows studying EEG network properties such as functional or structural connections providing knowledge into brain function or dysfunction. This new approach improves classification accuracy and can be used to broaden explainability in the model. These inherent advantages make the model useful for EEG classification tasks presented in the thesis.
Benzer Tezler
- Weakly supervised approaches for image classification in remote sensing and medical image analysis
Uzaktan algılama ve tıbbi görüntü analizinde zayıf denetimli görüntü sınıflandırma yaklaşımları
BULUT AYGÜNEŞ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Öz-dikkat mekanizması rehberliğinde iskelet tabanlı eylem tanıma için uzaysal-zamansal çizge evrişimli ağ mimarilerinin geliştirilmesi
Development of spatio-temporal graph convolutional network architectures for skeleton-based action recognition guided by self-attention mechanism
UĞUR KILIÇ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH TÜMÜKLÜ ÖZYER
DR. ÖĞR. ÜYESİ ÖZGE ÖZTİMUR KARADAĞ
- Comparing the effectiveness of graph neural networks and machine learning algorithms for fNIRS-based neuromarketing research
FNIRS tabanlı nöropazarlama araştırmalarında çizge sı̇nı̇r ağları ile makı̇ne öğrenimi algorı̇tmalarının karşılaştırılması
ATAKAN GÜNGÖR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMEF ÜNİVERSİTESİBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNA ÇAKAR
- Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi
Automated molecule generation using graph neural networks and deep reinforcement learning
RIZA IŞIK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN
- Etkin sorgu önerileri için kullanıcı sorgularının görev tabanlı yönetilmesi
Task based management of user queries for effective query suggestions
NURULLAH ATEŞ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN