Sanal ortam destekli motor imgeleme EEG ve EMG sinyallerinin derin öğrenme ile sınıflandırılmasına yönelik beyin bilgisayar arayüzü tasarımı
Design of a virtual environment supported brain computer interface for deep learning based classification of motor imagery EEG and EMG signals
- Tez No: 987705
- Danışmanlar: DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR, DR. BURCU BULUT OKAY
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin-bilgisayar arayüzleri (BBA), motor imgeleme (MI) tabanlı elektroensefalografi (EEG) sinyallerinin analiz edilmesiyle rehabilitasyon, protez kontrolü ve insan–bilgisayar etkileşimi gibi birçok alanda önemli fırsatlar sunmaktadır. Ancak EEG sinyallerinin düşük genlikli, gürültüye duyarlı yapısı ve özellikle aynı motor kortikal bölgeden üretilen el açma–kapama gibi benzer MI görevlerinin ayırt edilmesindeki zorluklar, yüksek doğruluklu sınıflandırmayı güçleştirmektedir. Bu nedenle daha gelişmiş sinyal işleme ve makine öğrenimi yöntemlerine ihtiyaç duyulmaktadır. Bu tezde, BBA performansını artırmaya yönelik üç aşamalı kapsamlı bir çalışma yürütülmüştür. İlk aşamada, literatürde etkisi gösterilen vücutsallaştırma ve oyunlaştırma yaklaşımlarına ek olarak iç ve dış ortam olmak üzere dört farklı saran sanal gerçeklik (VR) ortamı geliştirilmiş; bu ortamların MI sınıflandırma doğruluğu üzerindeki etkileri incelenmiştir. Bulgular, iç ortamların ortalama %88,6 doğruluk ile en yüksek performansı sunduğunu göstermiştir. İkinci aşamada, bu optimum ortamda toplanan MI EEG verileri kullanılarak EEGNet tabanlı özellik çıkarıcı, çoklu başlıklı dikkat ve Transformer katmanlarını birleştiren yeni bir TransformerNet mimarisi tasarlanmış ve dört sınıflı MI görevlerinde %85,97 doğruluk elde edilmiştir. Son aşamada ise EEG ve EMG sinyallerinin birlikte kullanıldığı beş sınıflı hibrit bir yaklaşım geliştirilmiştir. Hibrit model, kas kasılma seviyesinden bağımsız olarak en yüksek doğruluk ve kararlılığı sağlamış; özellikle %100 kasılma seviyesinde %94,67 doğruluğa ulaşmıştır. Bu bütüncül çalışma, VR tabanlı odak artırma, gelişmiş Transformer modelleri ve çok modlu biyosinyal füzyonunun BBA sistemlerinde önemli performans kazanımları sağladığını ortaya koymaktadır.
Özet (Çeviri)
Brain–computer interfaces (BCIs) offer significant opportunities in various fields such as rehabilitation, prosthetic control, and human–computer interaction by analyzing electroencephalography (EEG) signals recorded during motor imagery (MI). However, the inherently low-amplitude and noise-sensitive nature of EEG signals, as well as the difficulty of distinguishing between similar MI tasks—such as hand opening and closing, which originate from the same motor cortical regions—make high-accuracy classification challenging. Therefore, more advanced signal processing and machine learning methods are required. In this dissertation, a comprehensive three-stage study was conducted to enhance BCI performance. In the first stage, four immersive virtual reality (VR) environments—comprising indoor and outdoor settings—were developed in addition to embodiment and gamification approaches whose effectiveness has been demonstrated in the literature, and their effects on MI classification accuracy were examined. The findings revealed that the internal environment yielded the highest performance, with an average accuracy of 88.6%. In the second stage, MI EEG data collected in this optimal environment were used to design a novel TransformerNet architecture that integrates an EEGNet-based feature extractor, multi-head attention, and Transformer layers, achieving an accuracy of 85.97% in four-class MI tasks. In the final stage, a five-class hybrid approach utilizing both EEG and EMG signals was developed. The hybrid model provided the highest accuracy and stability regardless of muscle contraction level, reaching 94.67% accuracy particularly at 100% contraction intensity. This holistic study demonstrates that VR-based focus enhancement, advanced Transformer models, and multimodal biosignal fusion yield significant performance improvements in BCI systems.
Benzer Tezler
- The development of fire detection robot
Yangın algılama robotunun geliştirilmesi
HİLMİ SAYGIN SUCUOĞLU
Yüksek Lisans
İngilizce
2015
Makine MühendisliğiAdnan Menderes ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL BÖĞREKCİ
- Evaluation of an automotive air intake system in terms of pressure loss and flow characteristics
Bir araç hava emiş sisteminin basınç kayıpları ve akış karakteristikleri açısından incelenmesi
ANIL CAN AĞAR
Yüksek Lisans
İngilizce
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İLYAS BEDİİ ÖZDEMİR
- Madencilik endüstrisi için sanal gerçeklik tabanlı ciddi oyun geliştirilmesi
Development of virtual reality based serious games for mining industry
SÜLEYMAN YASİN KILLIOĞLU
Doktora
Türkçe
2019
Maden Mühendisliği ve MadencilikHacettepe ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. BAHTİYAR ÜNVER
- Oyun motorlarının mimarı tasarım ve temsil süreçlerinde değerlendirilmesi
Evaluation of game engines in architectural design and representation processes
OSMAN SÜMER
Yüksek Lisans
Türkçe
2019
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MİNE ÖZKAR KABAKÇIOĞLU
- Subkutan ilaç uygulama becerisine yönelik tasarlanan bilgisayar temelli simülasyon sisteminin öğrencilerin kaygı düzeyleri ve psikomotor beceri performansına etkisi
The effect of computer based simulation system designed for subcutaneous drug application skills on the students anxiety levels and psychomotor skills performance
HANDENUR GÜNDOĞDU
Yüksek Lisans
Türkçe
2017
HemşirelikSakarya ÜniversitesiHemşirelik Ana Bilim Dalı
DOÇ. DR. YURDANUR DİKMEN