Geri Dön

Motor hareket hayali eeg verilerini deneklerden bağımsız ortak elektrotlar kullanarak sınıflama

Classification of motor imagery eeg data using subject-independent common electrodes

PDF İndir

  1. Tez No: 942877
  2. Yazar: ALİ ÖZKAHRAMAN
  3. Danışmanlar: PROF. DR. TAMER ÖLMEZ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 123

Özet

Beyin-Bilgisayar Arayüzü (BBA) sistemleri, kullanıcıların doğrudan beyin sinyalleriyle harici cihazları kontrol etmelerine olanak tanıyan bir teknoloji olup giderek daha yaygınlaşmaktadır. Son yıllarda BBA alanında yapılan araştırmaların çoğalması, bu teknolojinin potansiyelini artırarak tıbbi rehabilitasyon, nörolojik bozuklukların tedavisi, iletişim araçları ve eğlence uygulamaları gibi birçok farklı alanda kullanımını artırmıştır. Motor Hareket Hayali (MHH) sinyalleri, BBA sistemlerinde kullanılan bir yöntemdir ve bireylerin zihinsel hareket (bir uzvunu) hayali yaparak cihazları kontrol etmelerine olanak tanır. Bu sinyaller, genellikle motor korteksten kaydedilen elektroensefalografi (EEG) verileri ile analiz edilerek işlenir. BBA sistemlerinde, özellikle son yıllarda derin öğrenme yöntemlerinin uygulanmasıyla etkili performanslar elde edilmektedir. Literatürdeki çalışmalar incelendiğinde, derin öğrenme yöntemlerinin BBA sistemlerinde başarılı sonuçlar sağladığı görülmektedir. Derin öğrenme sistemlerinin güçlü öznitelik çıkarma yetenekleri ve bunları BBA sistemlerine etkili bir şekilde entegre edebilmesi, bu performans iyileştirmesine olanak tanımaktadır. BBA sistemlerindeki bu olumlu gelişmelere rağmen, bu sistemler halen esneklikten yoksundur. Bunun en önemli nedeni, BBA sistemlerinde kullanılan mevcut elektrot sayısının fazla olmasıdır. Bu durum hem kullanıcı deneyimini olumsuz etkileyerek sistemlerin esnekliğini sınırlamakta hem de gerçek zamanlı işlemleri zorlaştırmaktadır. Elektrot sayısını azaltmak, hem kullanıcı konforunu artırmak hem de sistemlerin taşınabilirliğini ve kullanım kolaylığını iyileştirmek için kritik önem taşımaktadır. Bu nedenle, sınırlı sayıda elektrot kullanarak yüksek performans elde edebilen BBA sistemleri geliştirilmesi, BBA sistemlerinde mevcut sorunların iyileştirilmesine olanak sağlayacaktır. Bu tez çalışmasında üç farklı deney uygulanmıştır. İlk deneyde, MHH EEG sinyallerindeki gürültüleri temizlemek amacıyla mevcut bazı gürültü temizleme algoritmaları kullanılmış ve test edilmiştir. Bu aşamada, elektrookülogram (EOG) elektrotlarının da gürültü temizleme sürecinde derin öğrenme sistemleri tarafından kullanılması değerlendirilmiştir. EOG elektrotları göz hareketlerini yakalayarak bunların EEG sinyallerine dahil edebileceği gürültüleri temizlemek için faydalıdır. Bu ilk deney sırasında, Ortak Ortalama Referanslama (OOR), EOG Regresyonu, Dalgacık Temelli Gürültü Temizleme ve Ortak Uzamsal Örüntü (OUÖ) yöntemleri kullanılmıştır. OUÖ dışındaki tüm yöntemler, gürültü temizleme yöntemidir. OUÖ ise bir dönüşüm yöntemidir, iki sınıfı birbirinden ayırt edebilecek bir dönüşüm yaratır. Dolayısıyla, bu dönüşüm aşamasında sinyalleri gürültüden arındırma potansiyeline sahip olduğu için burada kullanılmış ve diğer yöntemlerle performansı karşılaştırılmıştır. Tüm bu yöntemler için veri kümesinde mevcut tüm EEG elektrotları kullanılmıştır, yani bu aşamada elektrot azaltılması uygulanmamış sadece gürültü temizleme algoritmaları test edilmiştir. Ayrıca, mevcut EEG elektrotlarına EOG elektrotları da dahil edilerek kullandığımız derin öğrenme sisteminin göz hareketi kaynaklı gürültüleri yakalaması beklenmiş ve elde edilen sonuçlar diğer yöntemlerle kıyaslanmıştır. İkinci ve üçüncü deneylerde, elektrot sayısını azaltarak yüksek performans elde edilmeye çalışılmıştır. Bu deneylerde MHH BBA sistemlerinde her bir veri kümesinde bulunan tüm denekler için ortak olacak şekilde elektrotlar seçilmiştir. Literatürdeki çalışmaların çoğunda elektrot seçimi bireysel olarak, denek bazlı yapılmaktadır. Denek bazlı elektrot seçimi her bir denek için iyi performans sağlasa da, BBA sistemlerinin esnekliğini artırma açısından yetersiz kalmaktadır. Bu nedenle tüm denekler için ortak elektrotlar belirlemek sistemlerin genelleştirilebilirliğini ve kullanım kolaylığını artırma açısından önem taşımaktadır. Ayrıca literatürde elektrot azaltma süreci için çoğunlukla iki sınıflı veri kümesi kullanılmıştır. İki sınıflı sınıflandırma problemi için elektrot azaltma süreci daha kolaydır, çünkü bu genellikle iki sınıfın beyindeki merkezlerinin birbirine uzak olduğu durumlarla ilişkilidir. Çok sınıflı sınıflama problemlerinde bu süreç daha zordur, ancak BBA sistemlerinin genelleştirilmesi açısından bu adım oldukça gereklidir. Dolayısıyla kullanmış olduğumuz veri kümeleri en az 4 sınıftan oluşmaktadır. İkinci deneyde filtreleme yöntemleri olan diverjans analizi ve rayleigh katsayı haritası kullanarak en uygun EEG elektrotları bulunmuştır. Bu adımda mevcut elektrotlardan beş elektrot seçerek sınıflandırma performansları elde edilmiştir. Ayrıca bazı ön işlem ve veri çoğaltma (artırma) işlemleri de bu ikinci deney aşamasında az sayıda elektrodun performansını artırmak için kullanılmıştır. Üçüncü deneyde ise ilk deneyde kullanmış olduğumuz EOG elektrotlarının önemine ilişkin çalışmalar hem filtreleme hem de sarmalama tabanlı yöntemlerle elde edilmiştir. EOG'nin önemi anlaşıldıktan sonra, az sayıda EEG elektroduyla mevcut EOG elektrotları birleştirilerek performans sonuçları gözlemlenmiştir. Bu üçüncü deneyde Karşılıklı Bilgi, Ortak Uzamsal Örüntü (OUÖ), Kanal Dikkat Mekanizması (KDM), Permütasyon Önem Skoru ve Rastgele Arama Algoritması elektrot seçim (önem) aşamasında kullanılmıştır. Bu tezin ilk bölümünde MHH BBA sistemlerine giriş yapılmış ve ilgili literatür incelenmiştir. İkinci bölümünde EEG tabanlı BBA sistemleri tanıtılmıştır. Bu bölümde Kararlı Hal Görsel Uyarılmış Potansiyel tabanlı BBA, P300 tabanlı BBA ve Motor Hareket Hayali tabanlı BBA sistemleri anlatılmıştır. Üçüncü bölümde, EEG verileri için ön işleme adımları tanıtılmıştır. Burada bahsedilen metotlar, hem ön işleme adımlarını hem de dönüşüm yöntemlerini temsil etmektedir. Bu metotlar, sinyalleri derin öğrenme mimarisine vermeden önce, gerçek bilgiyi yalın bir şekilde ortaya koyabilmesi için büyük önem taşımaktadır. Dördüncü bölümde, tezde kullanılan elektrot seçim algoritmaları kapsamlı bir şekilde anlatılmıştır. Burada hem filtreleme tabanlı yöntemler hem de sarmalama tabanlı yöntemler ele alınmıştır. Bu yöntemler etkili bir elektrot seçimi yapılabilmesi için oldukça önemlidir çünkü doğru elektrotlar, beyin sinyallerinin daha doğru bir şekilde alınmasını ve analiz edilmesini sağlar. Elektrot seçim süreci, BBA sistemlerinin verimliliğini doğrudan etkileyen bir adımdır ve sistemin genel başarısına katkı sağlar. Ayrıca, elektrotların doğru seçimi, gereksiz veri noktalarının elimine edilmesine ve böylece sistemin daha hızlı ve verimli çalışmasına olanak tanır. Beşinci bölümde derin öğrenme metotlarına giriş yapılmıştır. Burada kısaca Yapay Sinir Ağları (YSA) ve Evrişimsel Sinir Ağı (ESA)'dan bahsedilmiştir. Daha sonra tezde önermiş olduğumuz iki farklı model tanıtılmıştır. Altıncı bölümde, gerçekleştirilen deneyler ve elde edilen sonuçlar paylaşılmıştır. Yapmış olduğumuz üç farklı deneyin sonuçları bu bölümde anlatılmıştır. Son olarak yedinci bölümde, elde edilen sonuçların önemi ve gelecekte yapılacak çalışmalar anlatılmıştır. Bu tezde elde edilen sonuçlar, BBA sistemlerinde az sayıda elektrot ile iyi sonuçlar alınabileceğini göstermektedir. Bu açıdan bakıldığında önermiş ve sunmuş olduğumuz bu çalışma BBA sistemlerinde karşılaşılan sorunlara bir çözüm olmaktadır. Elde edilen bu sonuçlar, özellikle pratik uygulamalarda BBA sistemlerinin daha yaygın kullanılmasını teşvik edebilir ve gelecekteki araştırmalar için yeni yönelimlere ışık tutabilir.

Özet (Çeviri)

Brain-Computer Interface (BCI) systems have become increasingly significant as an advanced technology that enables users to control external devices directly through brain signals. The growing research in the field of BCI in recent years has expanded the potential of this technology, leading to its widespread application in various areas such as medical rehabilitation, treatment of neurological disorders, communication tools, and entertainment applications. Motor Imagery (MI) signals are a method used in BCI systems, allowing individuals to control devices by performing mental motor imagery. These signals are usually processed by analyzing EEG data via modification from the motor cortex. In BCI systems, especially in recent years, effective performances have been achieved by applying deep learning methods. When the studies in the literature are examined, it is seen that deep learning methods provide successful results in BCI systems. The powerful feature extraction capabilities of deep learning systems and the ability to effectively integrate them into BCI systems make this performance improvement possible. Despite these positive developments in BCI systems, these systems are still not flexible and easy to use. The most important reason for this is the high number of electrodes used in BCI systems. This situation both negatively affects the user experience and limits the flexibility of the systems and makes real-time operations difficult. Reducing the number of electrodes is critical for both increasing user comfort and improving the portability and ease of use of the systems. Therefore, developing BCI systems that can achieve high performance using a limited number of electrodes will make it possible to improve the existing problems in BCI systems. In this thesis study, three different experiments were conducted. In the first experiment, various noise reduction algorithms were employed and tested to clean noise from MI EEG signals. At this stage, the use of electrooculogram (EOG) electrodes in the noise reduction process by deep learning systems was also evaluated. During this experiment, common average referencing (CAR), EOG regression, wavelet-based noise reduction, and common spatial pattern (CSP) methods were utilized. All methods, except CSP, are noise reduction methods. CSP, on the other hand, is a transformation method that creates a transformation capable of distinguishing between two classes. Therefore, as this transformation step has the potential to denoise signals, it was included in the experiment, and its performance was compared with other methods. For all these methods, all available EEG electrodes in the dataset were used; no electrode selection was applied at this stage, and only noise reduction algorithms were tested. Additionally, by incorporating the existing EEG electrodes with EOG electrodes, it was anticipated that the deep learning system used would capture noise caused by eye movements. The results obtained were compared with those of other methods. In the second and third experiments, efforts were made to achieve high performance by reducing the number of electrodes. In these experiments, electrodes were selected in a way that would be common to all subjects in each dataset used in MHH BCI systems. In most studies in the literature, electrode selection is typically performed individually, on a subject-specific basis. While subject-specific electrode selection provides good performance for each individual, it falls short in enhancing the flexibility of BCI systems. Therefore, identifying common electrodes for all subjects is crucial for improving the generalizability and ease of use of these systems. Additionally, in the literature, the electrode reduction process has predominantly been applied to binary datasets. For binary classification problems, the electrode reduction process is relatively easier, as it is often associated with cases where the centers of the two classes in the brain are spatially distant. However, in multi-class classification problems, this process becomes more challenging, yet it is highly essential for the generalization of BCI systems. For this reason, the datasets we used consist of at least four classes. In the second experiment, filtering methods such as divergence analysis and Rayleigh coefficient mapping were used to identify the most suitable EEG electrodes. At this stage, five electrodes were selected from the available set, and classification performances were evaluated. Additionally, certain preprocessing and data augmentation techniques were employed during this second experiment to enhance the performance of a reduced number of electrodes. In the third experiment, studies on the importance of the EOG electrodes used in the first experiment were conducted using both filtering and wrapper-based methods. After understanding the significance of EOG, performance results were observed by combining a small number of EEG electrodes with the existing EOG electrodes. In this third experiment, mutual information, common spatial pattern, channel attention mechanism (CAM), permutation importance score, and random search algorithm were utilized in the electrode selection (importance) stage The first chapter of this thesis provides an introduction to MI-BCI systems and reviews the relevant literature. The second chapter introduces EEG-based BCI systems. In this chapter, Steady-State Visual Evoked Potential (SSVEP)-based BCI, P300-based BCI, and Motor Imagery (MI)-based BCI systems are discussed. The third chapter introduces preprocessing steps for EEG data. The methods discussed here represent both preprocessing steps and transformation techniques. These methods are of great importance in presenting the raw signals in their purest form before feeding them into the deep learning architecture. The fourth chapter provides a comprehensive discussion of the electrode selection algorithms used in this thesis. Both filtering-based and wrapper-based methods are examined. These methods are crucial for effective electrode selection, as accurately chosen electrodes enable more precise acquisition and analysis of brain signals. The electrode selection process directly impacts the efficiency of BCI systems and contributes to their overall success. Additionally, accurate electrode selection eliminates unnecessary data points, allowing the system to operate faster and more efficiently. In the fifth chapter, deep learning methods are introduced. Here, Artificial Neural Networks (ANN) and Convolutional Neural Networks (CNN) are briefly mentioned. Then, two different models that we proposed in the thesis are introduced. In the sixth chapter, the experiments conducted and the results obtained are presented. Three different experiments were carried out in this thesis, and the results of each and future work are explained in this chapter. The results obtained in this thesis demonstrate that BCI systems can achieve good results with a limited number of electrodes. From this perspective, the study we have proposed and presented offers a solution to the challenges encountered in BCI systems. These results could particularly encourage the wider use of BCI systems in practical applications and shed light on new directions for future research.

Benzer Tezler

  1. Tez No

    612139

    Classification of the motor EEG signals by using deep neural networks

    Derin sinir ağları kullanarak motor EEG sinyallerinin sınıflandırılması

    LEYLA ABILZADE

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ

  2. Tez No

    929688

    Determination and analysis of characteristics of dysphagia disease from eeg signals

    Eeg sinyallerinden disfaji hastalığının karakteristiklerinin belirlenmesi ve analizi

    SEVGİ GÖKÇE ASLAN

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. BÜLENT YILMAZ

  3. Tez No

    421282

    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

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ

  4. Tez No

    567185

    İmleç hareketlerine ait eeg sinyallerinin sınıflandırılmasında adaptif ve adaptif olmayan filtrelerin uygulamaları

    Applications of adaptive and non-adaptive filters for classification of eeg signals of motor imagery

    ZEYNELABİDİN SEVGİLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  5. Tez No

    917105

    Analysis of the brain's network based on electroencephalograms and classification of movement events using connectivity maps and features

    Elektroensefalogramlara dayalı beyin ağı analizi ve hareket olaylarının bağlantı haritaları ve özellikler kullanılarak sınıflandırılması

    SALİH MENDİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET AYDIN

Geri Dön