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: Belirtilmemiş.
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
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- 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
- Multi-cue skeleton-based sign language recognition
Çoklu ipucu iskelet tabanlı işaret dili tanıma
OĞULCAN ÖZDEMİR
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. LALE AKARUN
DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ
- Real-time human manipulation action recognition with a factorized graph sequence encoder
Ayrıştırılmış çizge dizi kodlayıcısı ile insan nesne etkileşimlerinin gerçek zamanlı olarak tanınması
ENES ERDOĞAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER
DOÇ. DR. EREN ERDAL AKSOY
- Makine öğrenme tekniklerine dayalı bölgesel troposferik gecikme modelinin geliştirilmesi
Development of regional tropospheric delay model based on machine learning techniques
ALİ UTKU AKAR
Doktora
Türkçe
2026
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT İNAL