Analysis of the brain's network based on electroencephalograms and classification of movement events using connectivity maps and features
Elektroensefalogramlara dayalı beyin ağı analizi ve hareket olaylarının bağlantı haritaları ve özellikler kullanılarak sınıflandırılması
- Tez No: 917105
- Danışmanlar: DOÇ. DR. AHMET AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Sayısal işaret işleme, Digital signal processing
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyin-bilgisayar arayüzü ( BBA), fiziksel engelli bireylerin beyin sinyallerini kullanarak dış çevre ile iletişim ve etkileşim kurmasını sağlayan bir teknolojidir. BCI'ın temel uygulamalarından biri, bireyin bir hareketi gerçekleştirdiğini hayal ettiği ve ilgili beyin aktivitesinin elektroensefalogram (EEG) sinyalleri aracılığıyla yakalandığı motor imgelemedir (MI). MI tabanlı BCI sistemleri, yalnızca beyin aktivitesi yoluyla hareket ve harici cihazların kontrolünü kolaylaştırma potansiyelleri nedeniyle büyük ilgi görmüştür. Bu çalışmada, motor imgeleme görevleri sırasında kaydedilen EEG sinyallerinin özellik çıkarımı ve sınıflandırılması için yeni bir yaklaşım sunulmuştur. Özellikler korelasyon katsayısı ve kovaryans matrisleri kullanılarak çıkarılmıştır. Bu özellikler daha sonra İleri Beslemeli Yapay Sinir Ağı, Naive Bayes Sınıflandırıcı ve Lineer Diskriminant Analizi Sınıflandırıcı olmak üzere üç farklı makine öğrenimi modeli kullanılarak sınıflandırılmıştır. Önerilen yöntem, sol el, sağ el, her iki ayak ve dil hareketleri olmak üzere dört farklı MI kategorisinden EEG verilerini içeren BCI Competition IV'ün Veri Kümesi 2a üzerinde doğrulanmıştır. Karşılaştırmalı analiz, kovaryans matrisinden türetilen özelliklerin, tüm sınıflandırıcılar arasında korelasyon katsayısı matrisine dayalı olanları tutarlı bir şekilde aştığını göstermiştir. Özellikle, kovaryans matris özellikleri en yüksek sınıflandırma doğruluğuna ulaşmıştır. Böylece, farklı MI görevlerinin sınıflandırılmasında sağlamlık ve güvenilirlik açısından üstün performans göstermişlerdir. Bu çalışmanın sonuçları, MI tabanlı BCI sistemleri için kovaryans matris tabanlı özellik çıkarma yöntemlerinin etkinliğini vurgulamakta ve sınıflandırma doğruluğunu ve sistem performansını iyileştirmek için umut verici bir yol sağlamaktadır. Bu ilerleme, felçli bireylere motor fonksiyonlarını geri kazandırmak, engelli insanların yaşam kalitesini artırmak ve sanal ve artırılmış gerçeklik ortamlarında sorunsuz insan bilgisayar etkileşimini kolaylaştırmak gibi gerçek dünya BBA uygulamaları için önemli bir potansiyele sahiptir. Bu yaklaşım, beynin sinirsel aktivitesinden yararlanarak felçli bireylerin bir dereceye kadar özerklik kazanmasını sağlayabilir ve yardımcı teknolojilerin ve sürükleyici arayüzlerin daha geniş çapta geliştirilmesine katkıda bulunabilir.
Özet (Çeviri)
The brain-computer interface (BCI) is a technology that allows individuals with physical disabilities to communicate and interact with the external environment using brain signals. One of the key applications of BCI is motor imagery (MI), where an individual imagines performing a movement, and the corresponding brain activity is captured through electroencephalogram (EEG) signals. MI based BCI systems have attracted considerable attention due to their potential to facilitate movement recovery and control of external devices solely through brain activity. In this study, a novel approach is presented for feature extraction and classification of EEG signals recorded during motor imagery tasks. Features were extracted using the correlation coefficient and covariance matrices. These features were subsequently classified using three different machine learning models, which are Feed Forward Neural Network (FFNN), Naive Bayes Classifier (NBC), and Linear Discriminant Analysis (LDA) Classifier. The proposed method was validated on Dataset 2a of BCI Competition IV, which includes EEG data from four distinct motor imagery categories: left hand, right hand, both feet, and tongue movements. The comparative analysis showed that the features derived from the covariance matrix consistently exceeded those based on the correlation coefficient matrix across all classifiers. In particular, the covariance matrix features achieved the highest classification accuracy. Thus, they demonstrated outstanding performance in terms of robustness and reliability in the classification of different motor imagery tasks. The results of this study highlight the effectiveness of covariance matrix based feature extraction methods for MI based BCI systems, providing a promising way to improve classification accuracy and system performance. This advancement holds significant potential for real world BCI applications, such as restoring motor function to paralyzed individuals, improving the quality of life for people with disabilities, and facilitating seamless human computer interaction in virtual and augmented reality environments. By leveraging the brain's neural activity, this approach can enable paralyzed individuals to regain a degree of autonomy and contribute to the broader development of assistive technologies and immersive interfaces.
Benzer Tezler
- Analysis of multichannel EEG signals for the detection of major depressive disorder
Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi
ELİF İZCİ
Yüksek Lisans
İngilizce
2021
Mühendislik Bilimleriİzmir Katip Çelebi ÜniversitesiBiyomedikal Teknolojiler Ana Bilim Dalı
PROF. DR. AYDIN AKAN
DR. ONAN GÜREN
- Beyin bilgisayar arayüzü uygulamalarında motor görüntüleme EEG sinyallerinin analizi için yeni yaklaşımlar
New approaches to analysis of motor imagery EEG signals in brain computer interface applications
ESRA KAYA
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL SARITAŞ
- Yapay zeka teknikleri kullanılarak elektroensefalogram sinyallerinde motor imgeleme olayının tespiti, sınıflandırılması ve karşılaştırılması
Detection, classification, and comparison of motor imaging events in electroencephalogram signals using artificial intelligence techniques
MERVE KILIÇ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GÖKHAN BÖCEKÇİ
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- Devrelerin büyük işaret cevaplarının bilgisayar yardımıyla bulunması
Başlık çevirisi yok
NÜKHET GÜNEYİ
Yüksek Lisans
Türkçe
1985
Elektrik ve Elektronik MühendisliğiUludağ ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGÜR TÜTÜNCÜOĞLU
- Çimentonun sertleşmesi üzerinde kimyasal komponentlerin etkisi
Başlık çevirisi yok
NACİYE TÜRKEL
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE