Motor ve bilişsel görüntü tabanlı manyetoensefalografi sinyallerinin zaman-frekans analizi kullanılarak sınıflandırılması
Classification of motor and cognitive imagery based magnetoencephalography signals using time-frequency analysis
- Tez No: 987023
- Danışmanlar: DOÇ. DR. MAHMUT ÖZTÜRK
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, açık erişimli magnetoensefalografi (MEG) verileri kullanılarak motor imgeleme (MI) ve bilişsel imgeleme (CI) görevlerinin ikili sınıflandırılmasına yönelik iki aşamalı bir yöntem geliştirilmiştir. Çalışmanın temel amacı, MEG sinyallerinden zaman-frekans ve uzamsal özniteliklerin bütünleşik olarak çıkarılması ve yüksek doğrulukta sınıflandırma performansının elde edilmesidir. Kullanılan veri seti, 17 katılımcıdan iki oturum halinde kaydedilen 306 kanallı MEG sinyallerinden oluşmakta olup, ellerin (H) veya ayakların (F) hareketini hayal etme, aritmetik çıkarma yapma (S) ve kelime oluşturma (W) olmak üzere dört farklı görev içermektedir. Birinci aşamada, MEG sinyalleri FSB-1 ve FSB-2 olmak üzere iki frekans grubuna ayrılmıştır. FSB-1 beynin μ (8–14 Hz) ve β (14–30 Hz) ritimlerine göre iki alt banttan oluşmaktadır. FSB-2 ise 8–32 Hz aralığında altı alt banttan oluşmaktadır. Her alt bant için Sürekli Dalgacık Dönüşümü (CWT) uygulanarak zaman-frekans öznitelikleri ve Ortak Uzamsal Desen (CSP) yöntemi uygulanarak uzamsal öznitelikler çıkarılmıştır. Elde edilen öznitelikler t-testi tabanlı seçim yöntemiyle en iyi öznitelikler seçilerek, Yapay Sinir Ağı (ANN) ile sınıflandırılmıştır. Bu aşamada, özellikle karmaşık görev çiftlerinde yüksek sınıflandırma doğrulukları elde edilmiştir (H–W %71, H–S %66). Bu sonuçlar, CWT ve CSP'nin birlikte kullanımının motor ve bilişsel süreçlerin ayrımında etkili olduğunu göstermiştir. İkinci aşamada, MEG sinyalleri 306 kanalın gradiometre sensörleri (204 kanal) seçilmiş ve sinyaller iki farklı frekans aralığında (7–45 Hz ve 8–30 Hz) filtrelenerek beş farklı sinyal ayrıştırma yöntemi olan Ampirik Dalgacık Dönüşümü (EWT), Maksimum Örtüşmeli Ayrık Dalgacık Dönüşümü (MODWT), Ampirik Kip Ayrıştırma (EMD), Varyasyonel Kip Ayrıştırma (VMD) ve Çok Değişkenli Varyasyonel Kip Ayrıştırma (MVMD) ile alt bileşenlerine ayrılmıştır. Ayrıştırılan sinyallerden CSP yöntemiyle elde edilen uzamsal öznitelikler, t-testi tabanlı seçimden geçirilmiş ve Destek Vektör Makineleri (SVM), k-En Yakın Komşu (KNN), ANN ve Naive Bayes (NB) sınıflandırıcılarında test edilmiştir. Özellikle MVMD yönteminde birey ve görev bazlı öznitelik seçimi de uygulanarak, her katılımcı ve görev için en uygun öznitelik seti belirlenmiştir. Elde edilen sonuçlar, MVMD ve MODWT yöntemlerinin ANN sınıflandırıcısıyla birlikte en yüksek doğruluk oranlarını sağladığını göstermiştir. MVMD yöntemi, H–W (%79,2), F–S (%75,8) ve F–W (%73,8) görev çiftlerinde üstün performans sergilemiştir. Ayrıca önerilen MVMD ve CSP tabanlı, birey ve görev bazlı öznitelik seçimi yaklaşımı, aynı veri kümesini kullanan çalışmalara karşılaştırıldığında daha dengeli ve yüksek doğruluk değerleri elde edilmiştir. Özellikle H–W (%81,24) ve F–W (%80,06) görevlerinde ulaşılan doğruluk oranlarının literatürde raporlanan en yüksek sonuçlar arasında yer aldığı görülmüştür.
Özet (Çeviri)
In this thesis, a two-stage method was developed for the binary classification of motor imagery (MI) and cognitive imagery (CI) tasks using open-access magnetoencephalography (MEG) data. The main objective of the study was to extract integrated time–frequency and spatial features from MEG signals and to achieve high classification accuracy. The dataset consisted of 306-channel MEG recordings collected from 17 participants in two sessions, including four different tasks: imagining the movement of hands (H) or feet (F), performing arithmetic subtraction (S), and word generation (W). In the first stage, the MEG signals were divided into two main frequency bands using a bandpass filter. For each sub-band, time–frequency features were extracted using the Continuous Wavelet Transform (CWT), while spatial features were obtained through the Common Spatial Pattern (CSP) method. The extracted features were selected using a t-test-based feature selection approach, and the resulting features were classified using an Artificial Neural Network (ANN). In this stage, high classification accuracies were obtained, particularly for complex task pairs (H–W: 71%, H–S: 66%). These results demonstrated that the combined use of CWT and CSP is effective in distinguishing between motor and cognitive processes. In the second stage, the MEG signals were decomposed into subcomponents using five different signal decomposition methods: Empirical Wavelet Transform (EWT), Maximal Overlap Discrete Wavelet Transform (MODWT), Empirical Mode Decomposition (EMD), Variational Mode Decomposition (VMD), and Multivariate Variational Mode Decomposition (MVMD). Spatial features obtained from the decomposed signals through CSP were subjected to t-test-based feature selection and tested using Support Vector Machines (SVM), k-Nearest Neighbors (KNN), ANN, and Naive Bayes (NB) classifiers. In particular, for the MVMD method, subject- and task-specific feature selection was also applied to determine the optimal feature set for each participant and task. The results revealed that the MVMD and MODWT methods, when combined with the ANN classifier, achieved the highest accuracy rates. The MVMD method exhibited superior performance for the H–W (79.2%), F–S (75.8%), and F–W (73.8%) task pairs. Moreover, the proposed MVMD- and CSP-based, subject- and task-specific feature selection approach achieved more balanced and higher accuracy values compared to studies utilizing the same dataset. Notably, the achieved accuracy rates for the H–W (81.24%) and F–W (80.06%) tasks were among the highest reported in the literature.
Benzer Tezler
- Görüntü işleme tabanlı futbola özgü reaktif çeviklik test sisteminin geliştirilmesi ile güvenirlik ve geçerliğinin araştırılması
Development of a football-specific image processing-based reactive agility test system and investigation of its reliability and validity
SABRİ BİRLİK
Yüksek Lisans
Türkçe
2025
SporAfyon Kocatepe ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. MEHMET YILDIZ
DOÇ. DR. UĞUR FİDAN
- Otononom mobil robotlarda optik akış tabanlı görsel eş zamanlı lokalizasyon ve haritalama
Optical flow based visual simultaneous localization and map building in autonomous mobile robots
ONUR ŞENCAN
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Topluluk öğrenme yöntemleri ile beyin MR görüntüleri üzerinden alzheimer tespiti
Alzhei̇mer's disease detection using ensemble learning on brain MRI images
DERYA MERT
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiBursa Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZDEN
- Derin öğrenme modelleri kullanarak yazma alanında özgül öğrenme güçlüklerinin erken teşhisi
Early diagnosis of specific learning difficulties in writing using deep learning models
NEŞE ÖZKUM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Derin öğrenme yöntemleri ile beyin görüntülerinden nörolojik bozuklukların sınıflandırılması
Classification of neurological disorders from brain images using deep learning methods
MUHAMMET KUSEY DAHER
Yüksek Lisans
Türkçe
2025
NörolojiMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ACI