Geri Dön

EEG sinyallerinden Türkçe sesli harflerin MI-BCI kullanılarak tanınması için sistem tasarımı

System design for recognition of turkish vowels from EEG signals using MI-BCI

PDF İndir

  1. Tez No: 935143
  2. Yazar: KADİR HALTAŞ
  3. Danışmanlar: DOÇ. DR. ATİLLA ERGÜZEN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kırıkkale Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 104

Özet

EEG (Elektroensefalografi) tabanlı Beyin-Bilgisayar Arayüzü (BCI) sistemleri, beyin aktivitesini kaydedip analiz ederek doğrudan dış cihazlarla etkileşim kurmayı sağlar. Bu sistemler, özellikle engelli bireyler için büyük bir umut kaynağı olmakla beraber, eğitim ve nörobilim alanında da etkili çözümler sunar. EEG sinyallerini BCI sistemlerine hazırlamada ilk adım, ön işleme aşamasıdır. Bu aşamanın temel amacı, artefaktları ortadan kaldırmak ve belirli filtreleme işlemleri aracılığıyla istenilen frekans sinyalini elde etmektir. Ön işlemelerde yaygın olarak kullanılan teknikler arasında PCA, ICA, adaptif filtreler, frekans normalizasyonu ve CSP yer alır. İlk sistemde, kaydedilen sinyalin DC kayması her kanalın ortalamasını çıkararak başlangıçta ortadan kaldırılır. Daha sonra, 8-30 Hz frekans aralığında 5. dereceden bir Butterworth IIR filtresi uygulanır. Bu süreç, sinyalin özellik çıkarma ve sınıflandırma aşamalarına hazırlanmasını sağlar. Özellik çıkarma aşamasında, EEG verilerinin boyutunu azaltmak ve ilgili özellikleri seçmek için çeşitli teknikler kullanılır. Literatürde yaygın olarak kullanılan teknikler arasında PCA, CSP, GA ve DSLVQ bulunur. CSP, özellikle sınıfları temsil eden sinyal setlerini ayırt etme yeteneği nedeniyle geniş bir kullanım alanına sahiptir. Bu çalışmada, CSP algoritması kullanılmış ve tasarımın ön işleme aşamasında, EEG kayıtlarında 8-30 Hz frekans aralığını elde etmek için 5. dereceden Butterworth IIR filtresi kullanılmıştır. Özellik çıkarma sırasında, belirli frekanslardaki sinyalleri işlemek amacıyla bant geçiren filtreler kullanılır. Bu süreçte, özellik matrisleri hesaplanır ve sinyal değerlerinin özetlenmiş temsilleri olan 'özdeğer' vektörlerinden matrisler oluşturulur. Sınıflandırma aşamasında ise, lineer diskriminant analizi (LDA) algoritması kullanılarak elde edilen özellikler sınıflandırılır. İkinci sistem tasarımında, CSP algoritması yerine ayrık dalgacık dönüşümü (DWT) algoritması kullanılmıştır. DWT, sinyalin zaman-frekans temsili sağlar ve her seviyede sinyali düşük frekanslı ve yüksek frekanslı bileşenlere ayırır. Bu sistemde, sinyal işleme sürecinde elde edilen özellikler, Sıralı Özellik Seçimi'ne tabi tutulmuştur. Bu süreçte, k-katlamalı çapraz doğrulama tekniği kullanılmış ve sınıflandırma aşamasında SVM algoritması tercih edilmiştir. SVM, çekirdek fonksiyonu olarak Radial Basis Function (RBF) kullanır ve elde edilen sinyallerin %70'i eğitilirken, %30'u test verisi olarak kullanılmıştır. Türkçe sesli harflerin, özellikle“a”ve“e”harflerinin EEG tabanlı BCI sistemleri tarafından tanımlanmasına yönelik yapılan çalışmalarda, EEG sinyallerinin ayrıştırılabilirliğinin artırılması hedeflenmektedir. Bu çalışmalarda, harflerin zihinsel olarak üretildiğinde beyinde oluşturduğu farklılıklar analiz edilerek EEG sinyalleriyle bu harfler güvenilir bir şekilde tanımlanmak istenmektedir. Bu süreçte, sinyal işleme teknikleri, makine öğrenmesi algoritmaları ve EEG veri analizi kullanılmaktadır. Özellikle sesli harflerin EEG tabanlı sistemlerde tanımlanması, dilsel farklılıkların beyin aktivitelerine nasıl yansıdığını anlamaya yönelik önemli bir adımdır. Bu çalışmalar, dilsel sinirbilim açısından da önemli bir gelişim sunmakta ve gelecekteki dilsel BCI uygulamaları için bir temel oluşturmaktadır. Özellikle sesli harflerin BCI sistemleri ile tanımlanması, dilsel sinirbilim açısından önemli bir katkı sağlayacaktır.

Özet (Çeviri)

EEG (Electroencephalography)-based Brain-Computer Interface (BCI) systems enable direct interaction with external devices by recording and analyzing brain activity. These systems offer great hope, especially for individuals with disabilities, and also provide effective solutions in the fields of education and neuroscience. The first step in preparing EEG signals for BCI systems is the preprocessing stage. The primary goal of this stage is to remove artifacts and obtain the desired frequency signal through specific filtering processes. Common techniques used in preprocessing include PCA, ICA, adaptive filters, frequency normalization, and CSP. In the first system, the DC shift of the recorded signal is initially eliminated by subtracting the mean of each channel. Then, a 5th order Butterworth IIR filter is applied in the 8-30 Hz frequency range. This process prepares the signal for the feature extraction and classification stages. In the feature extraction stage, various techniques are used to reduce the size of EEG data and select relevant features. Commonly used techniques in the literature include PCA, CSP, GA, and DSLVQ. CSP is widely used due to its ability to distinguish between signal sets that represent classes. In this study, the CSP algorithm was used, and a 5th order Butterworth IIR filter was applied to obtain the 8-30 Hz frequency range in EEG recordings during the preprocessing stage. In the feature extraction process, bandpass filters are used to process signals at specific frequencies. In this process, feature matrices are calculated, and matrices are formed from 'eigenvalue' vectors, which are summarized representations of the signal values. In the classification stage, the features obtained are classified using the linear discriminant analysis (LDA) algorithm. In the second system design, the discrete wavelet transform (DWT) algorithm was used instead of the CSP algorithm. DWT provides a time-frequency representation of the signal and divides the signal into low-frequency and high-frequency components at each level. In this system, the features obtained during the signal processing process were subjected to Sequential Feature Selection. In this process, the k-fold cross-validation technique was used, and the SVM algorithm was preferred in the classification stage. SVM uses the Radial Basis Function (RBF) as the kernel function, and 70% of the obtained signals were used to train the SVM classification algorithm, while the remaining 30% was used as test data. In studies conducted to identify Turkish vowels, particularly the letters“a”and“e,”by EEG-based BCI systems, the goal is to increase the separability of EEG signals. In these studies, the differences created in the brain when the letters are mentally produced are analyzed, and the goal is to reliably identify these letters using EEG signals. In this process, signal processing techniques, machine learning algorithms, and EEG data analysis are used. The identification of vowels in EEG-based systems is an important step in understanding how linguistic differences are reflected in brain activity. These studies provide significant progress in linguistic neuroscience and lay the groundwork for future linguistic BCI applications. Especially the identification of vowels with BCI systems will make an important contribution to linguistic neuroscience.

Benzer Tezler

  1. Tez No

    865131

    EEG sinyalleri kullanılarak derin öğrenme yöntemiyle beyin klavyesi arayüzü tasarımı

    Brain keyboard interface design with deep learning method using EEG signals

    MELİH DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyomühendislikKütahya Dumlupınar Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DOÇ. DR. MUSTAFA TOSUN

  2. Tez No

    771678

    Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı

    A new extreme learning machine auto encoder design for medical datasets

    BERNA ARI

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  3. Tez No

    342545

    Veri analizinde dalgacık teorisinin etkinliği

    The effectiveness of the wavelet theory at the data analysis

    TUBA MERAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    MatematikKocaeli Üniversitesi

    Matematik Ana Bilim Dalı

    YRD. DOÇ. DR. HÜLYA KODAL SEVİNDİR

  4. Tez No

    283143

    Polimerlerde düzensiz elektriksel iletkenliklerin zaman serisi analizi yöntemiyle incelenmesi ve q-istatistiğine uygulanabilirliği

    Time series analysis and q-statistics applicability in the study of disordered electrical conductivity in polymers

    GÜLİSTAN ÇİĞDEM YALÇIN

    Doktora

    Türkçe

    Türkçe

    2009

    Fizik ve Fizik Mühendisliğiİstanbul Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. K. GEDİZ AKDENİZ

    PROF. DR. YANİ SKARLATOS

  5. Tez No

    438890

    Durağan hal görsel uyaran tabanlı beyin bilgisayar arayüzü için optimum uyaran özelliklerinin belirlenmesi ve gerçeklenmesi

    Determination of feature of optimum stimulus and design for SSVEP based brain computer interface

    ZEKİ ORALHAN

    Doktora

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik MühendisliğiErciyes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MAHMUT TOKMAKÇI

Geri Dön