Geri Dön

İnme hastaları için EEG sinyalleri ile kontrol edilebilen beyin-bilgisayar arayüzü geliştirme

Development of brain computer interface controlled by EEG signals for stroke patients

PDF İndir

  1. Tez No: 983783
  2. Yazar: SONER DENİZ ERSOY
  3. Danışmanlar: PROF. DR. İPEK MİDİ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Nöroloji, Neurology
  6. Anahtar Kelimeler: İnme, EEG, BBA, yapay zekâ, derin öğrenme, Stroke, EEG, BCI, artificial intelligence, deep learning
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Nöroloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: İnsan beyni ile dış dünya arasında sadece beyin faaliyetinin özel bir şekilde yorumlandığı alternatif bir iletişim yolu olan Beyin-Bilgisayar Arayüzü (BBA), bir kişinin dış dünya ile daha optimal bir seviyede etkileşim sağlamasına olanak tanıyabilir. Normal bir kişide bir uzvun hareket ettirildiği düşünüldüğünde dahi uzvu gerçekten hareket ettirmeden sadece o anki bilişsel süreçte ya da hareket karar sürecinde elektroensefalogramda (EEG) olaya ilişkilin potansiyeller gözlemlenebilmekte olduğu gösterilmiştir. Bu ilkeye dayanan bir BBA arayüzü ile inme hastalarının EEG aktivitesi işlenerek evrişimsel sinir ağları üzerinden bir yapay zekâ modeli geliştirilmesi planlanmıştır ve bunu etkileyecek faktörlerin değerlendirilerek engellerin minimalize edilmesi için alınabilecek önlemler ve yaklaşımlar ele alınmıştır. Gereç ve Yöntem: İnme hastalarından sol ve sağ kol ve bacaklarını yukarı, aşağı, sola ve sağa hareket ettirmeleri ardından ise hareketi düşünmeleri istendi ve her bir işlem için onar saniyelik EEG kayıtları alındı. Elde edilen bu EEG sinyalleri EDF ve EDF+ verileri olarak Matlab üzerinde ön işlemlerden geçirilerek Kısa Süreli Fourier Dönüşümü yöntemi ile spektrogram görüntüsüne dönüştürüldü. Ardından bu verilerin farklı evrişimsel sinir ağları kullanılarak derin öğrenme algoritmaları ile sınıflandırılması amaçlandı. Elde edilen veriler kullanılarak istenen oranda doğruluk elde edilene kadar veri artırma yöntemleri uygulanması planlandı. Daha sonrasında elde edilen verilerin klinik faktörlere göre karşılaştırılmalı analizi yapıldı. Bulgular: Bu çalışmanın en temel bulgusu, inme sürecinin BBA performansını düşüren bir faktör olmadığını; aksine geç evredeki hastaların, nöral ağların stabilizasyonu sayesinde akut hastalar kadar yüksek ve kararlı bir sınıflandırma başarısı gösterdiğidir. İkinci olarak, BBA başarısında belirleyici olan ana unsurun zaman değil lezyonun tarafı olduğu saptanmıştır. Son olarak, çoklu kanal kullanımı yerine nörofizyolojik olarak odaklanmış spesifik kanal seçiminin, inme hastalarının gürültülü beyin sinyallerini filtreleyerek sınıflandırma doğruluğunu istatistiksel olarak anlamlı ölçüde artırdığı kanıtlanmıştır. Sonuç: Bu çalışmada geliştirilen EEG tabanlı BBA sistemi, inme rehabilitasyonunda nöroplastisiteyi teşvik eden, güvenli, uygulanabilir ve bilimsel olarak geçerli bir yaklaşım sunmaktadır.

Özet (Çeviri)

Objective: A Brain-Computer Interface (BCI), which represents an alternative communication pathway between the human brain and the external world by interpreting brain activity in a specific manner, can enable individuals to interact with their environment at a more optimal level. It has been demonstrated that even when a healthy person merely thinks of moving a limb—without actually performing the movement—event-related potentials can be observed in the electroencephalogram (EEG) during the cognitive or decision-making process. Based on this principle, the aim of this study was to develop an artificial intelligence model using convolutional neural networks (CNNs) to process EEG activity in stroke patients through a BCI interface. Furthermore, factors influencing performance were evaluated, and strategies to minimize obstacles were discussed. Materials and Methods: Stroke patients were instructed to move their left and right arms and legs upward, downward, leftward, and rightward, and then to imagine each of these movements. For each task, 10-second EEG recordings were collected. The EEG signals obtained were preprocessed in MATLAB as EDF and EDF+ files and converted into spectrogram images using the Short-Time Fourier Transform (STFT) method. These spectrograms were subsequently classified using various convolutional neural network-based deep learning algorithms. Data augmentation techniques were employed until the desired level of classification accuracy was achieved. Finally, the results were comparatively analyzed according to clinical factors. Results: The primary finding of this study is that the stroke process itself does not reduce BCI performance; on the contrary, patients in the chronic stage demonstrated classification accuracy as high and stable as those in the acute stage, due to neural network stabilization. Secondly, the decisive factor for BCI performance was identified as the lesion side rather than time. Lastly, instead of using multiple channels, selecting neurophysiologically focused specific channels significantly improved classification accuracy by filtering noisy brain signals in stroke patients. Conclusion: The EEG-based BCI system developed in this study provides a safe, feasible, and scientifically valid approach that promotes neuroplasticity in stroke rehabilitation.

Benzer Tezler

  1. Tez No

    642057

    Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition

    Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım

    MASTANEH TORKAMANI AZAR

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

    Prof. Dr. SELİM SAFFET BALCISOY

  2. Tez No

    875225

    Dokunsal geri bildirimlerin sanal gerçeklik ortamlarında motor imgeleme eeg sinyallerine etkisinin incelenmesi

    The effect of haptic feedback on motor imagery eeg signals in virtual reality environments

    HARUN YENİŞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR

  3. Tez No

    777066

    Kardiyotomi uygulanan ve uygulanmayan kalp cerrahisi hastalarında kardiyopulmoner baypas sırasında serebral oksijen saturasyonunun nırs ile değerlendirilmesi

    Evaluation of cerebral oxygen saturation during cardiopulmonary bypass with nirs in patients with and without cardiotomy

    GÜLÇİN GAZİOĞLU TÜRKYILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Anestezi ve ReanimasyonSağlık Bakanlığı

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    DOÇ. DR. ÜMİT KARADENİZ

  4. Tez No

    873118

    Nöroloji yoğun bakım ünitesinde serebrovasküler hastalık (svh) tanısıyla tedavi gören hastaların uzun sürelielektroensefalografi (EEG) bulgularının değerlendirilmesi

    Assessment of long-term electroencephalography (EEG) findings in patients undergoing treatment for cerebrovascular disease (CVD) in neurology intensive care unit

    UMUR POYRAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NörolojiSağlık Bakanlığı

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. ASLI ECE ÇİLLİLER

    UZMAN MUSTAFA YURTDAŞ

  5. Tez No

    882490

    Serebral amiloid anjiyopati ve epilepsi nöbeti birlikteliği

    Association of cerebral amyloid angiopathy andepileptic seizure

    HAZAL ÇAĞMAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NörolojiSağlık Bilimleri Üniversitesi

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. TUBA CERRAHOĞLU ŞİRİN

Geri Dön