Manifold learning-based EEG signal processing for motor intention classification in bci-controlled rehabilitation systems
Bcı kontrollü rehabilitasyon sistemlerinde motor niyet sınıflandırması için manifold öğrenme tabanlı EEG sinyal işleme
- Tez No: 944159
- Danışmanlar: DR. ÖĞR. ÜYESİ EBRU SAYILGAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Fizyoterapi ve Rehabilitasyon, Mühendislik Bilimleri, Electrical and Electronics Engineering, Physiotherapy and Rehabilitation, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 82
Özet
Bu çalışma, omurilik yaralanması (SCI) olan bireylerin motor iyileşmesine yardımcı olmak amacıyla EEG odaklı bir beyin-bilgisayar arayüzü (BCI) tabanlı bilek rehabilitasyon robotunun geliştirilmesini incelemektedir. Ana hedef, çeşitli öğrenme tekniklerini ve makine öğrenimi sınıflandırıcılarını kullanarak EEG verilerinden hareket amaçlarını sınıflandırmaktır. Altı sağlıklı katılımcının EEG sinyalleri, el ve bileğin farklı hareketlerini hayal ederken kaydedilmiştir. t-SNE, ISOMAP, Spektral Gömme, LLE ve MDS gibi boyut azaltma yöntemleri, hareket sınıflandırmasını optimize etmek için k-NN, Naive Bayes ve SVM gibi sınıflandırma yöntemleriyle entegre edilmiştir. t-SNE ve k-NN kombinasyonu en etkili yöntem olarak öne çıkmış, iki sınıflı sınıflandırmalarda %99,7, üç sınıflı sınıflandırmalarda %99,3 ve beş sınıflı sınıflandırmalarda %79,7 doğruluk oranı elde edilmiştir. LLE ve Spektral Gömme sınırlı başarı gösterirken, ISOMAP ve k-NN güçlü alternatifler olarak dikkat çekmiştir. Bu sonuçlar, BCI sistemlerinin doğruluğunu artırmada boyut azaltma yöntemlerinin potansiyelini vurgulamaktadır. Elde edilen bulgular, EEG tabanlı BCI kullanan ve hassas motor niyeti tespiti sağlayan yenilikçi bir 2 serbestlik dereceli bilek rehabilitasyon robotunun tasarımına önemli katkılar sunarak, omurilik yaralanmalı hastaların rehabilitasyonu için umut verici bir çözüm sunmaktadır.
Özet (Çeviri)
This study investigates the development of an EEG-driven Brain-Computer Interface (BCI)-based wrist rehabilitation robot to assist individuals with Spinal Cord Injury (SCI) in motor recovery. The main goal is to apply various learning techniques and machine learning classifiers to classify motor intentions from EEG data. The EEG signals of six healthy participants were recorded while they imagined different movements of the hand and wrist. Dimensionality reduction methods such as t-SNE, ISOMAP, Spectral Embedding, LLE and MDS have been integrated with classification methods such as k-NN, Naive Bayes, and SVMs to optimize motion classification. The combination of t-SNE and k-NN proved to be the most effective. It achieved accuracies of 99.7% for two-class classifications, 99.3% for three-class classifications, and 79.7% for five-class classifications. While LLE and Spectral Embedding had limited success, ISOMAP and k-NN were strong alternatives. These results highlight the potential of dimensionality reduction for the improvement of the accuracy of BCI systems. The results contribute to the design of an innovative 2-DOF wrist rehabilitation robot that utilizes EEG-based BCI to provide precise motor intent detection, offering a promising solution for the rehabilitation of spinal cord injured patients.
Benzer Tezler
- Use of manifold learning methods and principal component analysis in various physiological signals
Çeşitli fizyolojik sinyaller üzerinde manifold öğrenme yöntemlerinin ve temel bileşen analizinin kullanımı
BARTU YEŞİLKAYA
Doktora
İngilizce
2025
Biyoteknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
DOÇ. DR. YALÇIN İŞLER
- Dendritic spine shape analysis based on two-photon microscopy images
İki foton mikroskobik görüntüleri kullanarak dendritik diken şekil analizi
MUHAMMAD USMAN GHANI
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- Seçilmemiş veri örnekleri sorunu için uygulanabilir bir boyut azaltma algoritmasının geliştirilmesi
Development of a dimensionality reduction algorithm applicable for out of sample problem
ÜMİT ÖZTÜRK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Geodesic based hybrid similarity criteria for approximate spectral geodesic based hybrid similarity criteria for approximate spectral clustering of large medical data sets
Büyük medikal veri setlerinin yaklaşık spektral öbeklenmesi için jeodezik tabanlı benzerlik ölçütleri
BERNA YALÇIN
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İSA YILDIRIM
- Approximate spectral clustering ensemble methods for clustering of large data sets
Büyük veri kümelerinin sınıflandırılmasında yaklaşık spektral öbekleme birleşimi yöntemleri
YASER MOAZZEN
Yüksek Lisans
İngilizce
2016
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
DOÇ. DR. KADİM TAŞDEMİR