Geri Dön

EEG-based language detection

EEG tabanlı dil tespiti

PDF İndir

  1. Tez No: 992850
  2. Yazar: DAHIRU TANKO
  3. Danışmanlar: PROF. DR. ŞENGÜL DOĞAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Adli Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, EEG sinyalleri ile dil tahmini yapmayı amaçlamaktadır. Çalışma, EEG sinyallerinin karmaşıklığından kaynaklanan zorlukları inceleyerek, dil tanıma için gelişmiş özellik mühendisliği ve derin öğrenme teknikleri önermektedir. Tez kapsamında spektral tanımlayıcılar, bağlantı örüntüleri, dalgacık gösterimleri ve öz-düzenlemeli tekniklerin entegrasyonu araştırılmıştır. İlk çalışma, kanal düzeyinde spektral ve tutarlılık tabanlı dinamik bağlantısallık özelliklerini birleştiren bir çerçeve sunar. Yöntem, cümle düzeyinde %87.03 ve TSEEG veri setinde %99,6 doğruluk sağlamıştır. İkinci çalışma, zamansal-uzamsal CNN ile birleştirilmiş dalgacık tabanlı spektral dikkat mekanizmasını tanıtır. Dört dili sınıflandırmada 10 katlı çapraz doğrulama ile %99,5 doğruluk elde edilerek temel modeller geçilmiştir. Üçüncü çalışma, önerilen DNAPat modeline dayalı açıklanabilir bir özellik mühendisliği hattını inceler. İki dilli Arapça-Türkçe veri setinde %99,95 ve bir-özne-dışarıda (LOSO) değerlendirmesiyle %84,19 doğruluk elde edilmiştir. Son çalışma, 23-pattern adlı öz-düzenlemeli bir yöntem sunar. Çoklu çekirdek özellik vektörleri kullanan bu yaklaşım, üç dil sınıflandırma görevinde %98,01 doğruluk sağlamış ve kanal bazlı katkılara dair içgörü sunmuştur. Sonuçlar; hibrit tanımlayıcıların, dikkat odaklı ağların ve öz-düzenlemeli hatların EEG tabanlı dil tespitinde doğruluk ve yorumlanabilirliği artırdığını göstermektedir.

Özet (Çeviri)

The goal of this thesis is to use EEG signals to predict a language. It investigates challenges posed by the complexity and variability of EEG signals, and proposes advanced feature engineering and deep learning techniques for EEG-based language recognition. The work explores the integration of spectral descriptors, connection patterns, wavelet-based representations, and self-organized feature extraction techniques to improve language decoding from EEG, drawing on several complementary investigations. The first study proposed a framework that combines channel-level spectral features with coherence-based dynamic connectivity features. It achieves up to 87.03% accuracy in sentence-level language comprehension and 99.6% on a benchmark TSEEG dataset. The second study introduces wavelet-based spectral attention fused with a temporal–spatial CNN. The framework is employed to classify four languages and attained 99.5% accuracy with 10-fold cross-validation. It outperforms baseline EEG models in this task. The third study explores an explainable feature engineering pipeline based on a proposed DNAPat. The proposed DNAPat was applied to a newly collected bilingual Arabic–Turkish dataset. The approach yields 99.95% accuracy with 10-fold cross-validation and 84.19% with leave-one-subject-out (LOSO) evaluation. The final study presents a self-organized feature engineering method named 23-pattern. It generates multi-kernel feature vectors and applies an iterative voting system for classification. This approach achieves 98.01% accuracy across three language classification tasks. It also provides detailed insight into channel-wise contributions to language recognition. Together, these contributions show that hybrid spectral–connectivity descriptors, attention-driven deep networks, and self-organized feature-engineering pipelines can significantly enhance accuracy and interpretability in EEG-based language detection.

Benzer Tezler

  1. Tez No

    554891

    EEG sinyalleri kullanılarak gerçek zamanlı P300 tabanlı heceleme sistemi tasarımı

    The real-time P300 based speller system design by using EEG signals

    ABDULLAH BİLAL AYGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyomühendislikKarabük Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET REŞİT KAVSAOĞLU

  2. Tez No

    418627

    Adaptation in P300 and motor imagery-based bci systems

    Beyin-bilgisayar arayüzü tabanlı P300 ve hayali motor hareketlerinde uyarlama

    İSMAİL YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Mühendislik BilimleriSabancı Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  3. Tez No

    242245

    Uyaran parametrelerinin EEG'de dinamik etkileri

    The dynamics effect of stimulus parameters on EEG

    TURAN ONUR BAYAZIT

    Doktora

    Türkçe

    Türkçe

    2009

    BiyofizikDokuz Eylül Üniversitesi

    Biyofizik Ana Bilim Dalı

    DOÇ. DR. MURAT ÖZGÖREN

  4. Tez No

    1019133

    Epileptik nöbetlerin büyük dil modelleri desteğiyle tanısı

    Diagnosis of epileptic seizures with large language models support

    BARAA RAYED

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Nörolojiİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. ERKAN ATMACA

  5. Tez No

    846554

    Terapötik hipotermi uygulanmış asfiktik yenidoğanların aEEG ve MRG bulgularının erken çocukluk dönemi EEG, MRG ve Bayley-III Ölçeği ile değerlendirilmesi

    Evaluation of aEEG and MRİ findings in asphyxic newborns treated with therapeutic hypothermia with early childhood EEG, MRI and Bayley-III Scale

    ÖMER FARUK YALÇIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Çocuk Sağlığı ve HastalıklarıPamukkale Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ÖZMERT MUHAMMET ALİ ÖZDEMİR

Geri Dön