EEG desenlerinin sınıflandırılması için makine öğrenmesi vecnn tabanlı derin öğrenme yaklaşımları
Machine learning and cnn-based deep learning techniquesfor EEG pattern classification
- Tez No: 998869
- Danışmanlar: DOÇ. DR. ÇAĞATAY BERKE ERDAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin aktivitelerinin takibinde ve değerlendirilmesinde sıklıkla kullanılan Elektroensefalografi (EEG), kritik hastaların beyin fonksiyonlarını belirlemek ve çeşitli nörolojik bozukluklarını teşhis etmek amacıyla kullanılmaktadır. Bu tez çalışmasında EEG veri kümesi kullanılarak olası nörolojik anomalilerinin erken tanısı için; jeneralize ritmik delta aktivitesi, lateralize ritmik delta aktivitesi, lateralize periyodik deşarjlar, jeneralize periyodik deşarjlar ve nöbet gibi belirli EEG desenlerinin tespitine odaklanılmıştır. Bu kapsamda, söz konusu EEG desenlerinin tespitinde; Rastgele Orman, Destek Vektör Makineleri ve Ekstrem Gradyan Artırma gibi geleneksel makine öğrenme yöntemlerinden ve Evrişimsel Sinir Ağı tabanlı derin öğrenme modellerinden olan ResNet50, ResNet152, RegNet ve EfficientNet 'ten yararlanılmıştır. Çok sınıflı ve çok etiketli sınıflandırma problemi niteliğindeki EEG veri kümesi üzerinde hem öznitelik çıkarımı hem de spektrogram temelli görsel temsiller yaklaşımıyla, EEG desenlerinin ayrıştırılması ve modellerin sınıf bazlı performanslarının kapsamlı biçimde analiz edilmesi hedeflenmiştir. EEG veri kümesinde çıkartılan; frekans bant enerjileri, güç spektral yoğunluğu değerleri ve zaman–frekans bileşenleri geleneksel makine öğrenmesi algoritmalarına, görsel temsiller ise doğrudan derin öğrenme modellerine giriş olarak verilmiştir. Farklı metodolojilerin kullanılmasıyla, her bir yaklaşımın güçlü yönlerinden yararlanılarak sınıflar arası ayırt edilebilirliğin artırılması ve muhtemel beyin işlev bozukluklarına ilişkin çıkarımların güçlendirilmesi sağlanmıştır. Bu tez çerçevesinde değerlendirilen algoritmaların, nörolojik analizlerde çok sınıflı ve çok etiketli sınıflandırma problemlerinin içerdiği zorlukları ele almada ve tanısal doğruluğunu iyileştirmeye olan katkısı sistematik olarak ortaya konulmuştur.
Özet (Çeviri)
Electroencephalography (EEG), a widely used method for monitoring and evaluating brain activity in critical patients, is employed to determine brain function and diagnose various neurological disorders. This thesis focuses on the early detection of potential neurological anomalies using an EEG dataset by focusing on specific EEG patterns such as Generalized Rhythmic Delta Activity, Lateralized Rhythmic Delta Activity, Lateral Periodic Discharges, Generalized Periodic Discharges, and seizure activity. In this context, to detect these EEG patterns using both traditional machine learning methods—such as Random Forests, Support Vector Machines, and XGBoost—and deep learning models based on convolutional neural networks—including ResNet50, ResNet152, RegNet, and EfficientNet. The aim is to analyze the classification of multi-class and multi-label EEG dataset through both feature extraction techniques and spectrogram-based visual representations for extracting and analyzing these patterns comprehensively. The extracted features from the EEG dataset— such as band energy frequencies, Power Spectral Density values, and temporal-band characteristics—are fed into traditional machine learning algorithms while visual representations are directly inputted to deep learning models. By employing different methodologies, leveraging strengths of each approach facilitates improved class discriminability and strengthens inferences related to potential brain dysfunctions. This thesis systematically evaluates the contribution of these algorithms within neurologically challenging contexts, addressing difficulties inherent in multi-class and multi-label classification tasks and enhancing diagnostic accuracy.
Benzer Tezler
- Probabilistic graphical models for brain computer interfaces
Probabilistic graphical models for brain computer interfaces
JAİME FERNANDO DELGADO SAA
Doktora
İngilizce
2014
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- Fuzzy cognitive maps for emotion modeling
Bulanık bilişsel haritalar yardımıyla insan duygularının modellenmesi
HASAN MURAT AKINCI
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ENGİN YEŞİL
- Investigation of emotional state using machine learning techniques based on complexity and spectral features of electroncephalogram
Duygu durumunun elektroensofalografideki karmaşıklık ve spektral öznitelikler temelinde makina öğrenme teknikleri ile araştırılması
AHMED M. ABDALLA MOHAMED
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
DOÇ. DR. ADİL DENİZ DURU
- Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
OĞUZHAN HASAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- EMG ve EEG işaretlerinin sınıflandırılmasında EKK-DVM hiper paremetrelerinin PSO'ya dayalı seçimi
LS-SVM hyper paremeter selection based on PSO in EMG and EEG signals classification
ABDURRAHMAN ÖZBEYAZ
Yüksek Lisans
Türkçe
2010
BiyoistatistikKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. M. KEMAL KIYMIK