Noise removal from eeg data
Eeg verilerinden gürültü giderme
- Tez No: 942895
- Danışmanlar: DR. CEREN GÜRKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Electroencephalography (EEG), Denoising, Machine Learning, Independent Component Analysis (ICA), Neural Ordinary Differential Equations (ODEs), Residual Network, Autoencoders, Signal Processing, Brain Waves, Noise Removal
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Özet yok.
Özet (Çeviri)
Electroencephalography (EEG) is a vital tool for non-invasive brain activity monitoring, widely used in clinical and research settings, but often contaminated by noise from muscle movements, eye blinks, and electrical interference, which can obscure neural information. This thesis explores advanced machine learning techniques, focusing on autoencoders with Neural Ordinary Differential Equations (NODEs) and Residual Networks (ResNet), to enhance EEG denoising. While traditional methods like Independent Component Analysis (ICA) have been effective in separating EEG signals from artifacts by leveraging statistical independence, they struggle with the dynamic and nonlinear nature of EEG data. To overcome these limitations, this research integrates autoencoders with NODEs and ResNet, combining autoencoders' dimensionality reduction with NODEs' continuous-time dynamics and ResNet's skip connections to handle the complexity of multivariate EEG signals. The proposed hybrid framework significantly improves denoising accuracy, computational efficiency, and adaptability to different noise levels in bio-signals, outperforming traditional methods. Results, evaluated through metrics like Mean Squared Error (MSE), Relative Root Mean Squared Error (RRMSE), and correlation coefficients, show substantial improvements in noise removal for both synthetic and real EEG datasets, marking a significant advancement in EEG signal processing.
Benzer Tezler
- Noise removal in electroencephalogram (EEG) using deep learning algorithms
EEG sinyallerinde gürültünün temizlenmesi için derin öğrenme algoritmalarının kullanılması
ABUZER DOGAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA KAYHAN
- EEG sinyallerinden gürültünün temizlenmesi için harmoni arama algoritması temelli yöntemlerin geliştirilmesi
Development of the harmony search algorithm based techniques for removing noise from EEG signals
SERHAT CELİL İLERİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERCAN DEMİRCİ
- Üretken ağlar ve uygulamaları
Generative networks and their applications
GAFFARİ ÇELİK
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH TALU
- Automated detection of autism based on the electrical signals of the brain (EEG)
Beynin elektrik sinyallerine (EEG) dayalı otizmin otomatik tespiti
BASHAR SAAD FALIH AL SAFFAR
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET AYDIN
- Eşzamanlı EEG-fMRG verilerinden balistokardiyogram gürültüsünün giderilmesi için derin öğrenme uygulamaları
Deep learning applications for removing ballistocardiogram artifact from simultaneous EEG-fMRI
PERİHAN GÜLŞAH GÜLHAN
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜZİN ÖZMEN