Beyin bilgisayar arayüzleri için hareket öncesi EEG örüntülerininderin öğrenme yöntemi ile tespit edilmesi
Deep learning-based detection of pre-movement EEG patterns for brain-computer interface applications
- Tez No: 977968
- Danışmanlar: DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilim ve Teknoloji, Electrical and Electronics Engineering, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, EEG tabanlı motor imgeleme (MI) sınıflandırması için optimize edilmiş kısa süreli Fourier dönüşümü (STFT) özellik çıkarımı ile evrişimsel sinir ağları (CNN) ve Transformer tabanlı dikkat mekanizmalarını birleştiren hibrit bir derin öğrenme yaklaşımı önerilmektedir. Öncelikle STFT hiperparametreleri (pencere uzunluğu, adım boyutu, NFFT ve pencere türü) sistematik olarak değerlendirilmiş, ardından elde edilen zaman–frekans temsilleri CNN katmanları aracılığıyla yerel desenleri öğrenmekte ve Transformer katmanları ile uzun vadeli zamansal bağımlılıkları yakalamaktadır. Model, transfer öğrenme ve denek bazlı ince ayar stratejileriyle hem BCI Competition IV-2a hem de StrokeMI veri kümelerinde test edilmiştir. Deneysel sonuçlar, sınırlı sayıda kalibrasyon denemesiyle dahi anlamlı performans artışları sağlandığını göstermektedir. Önerilen yaklaşım, literatürde raporlanan bazı yöntemlerle karşılaştırılabilir veya daha yüksek denekler arası doğruluk elde etmiş olup, gerçekçi klinik senaryolarda kişiselleştirilmiş BCI sistemlerinin geliştirilmesi için umut vadetmektedir.
Özet (Çeviri)
In this study, a hybrid deep learning approach is proposed for EEG-based motor imagery (MI) classification, combining optimized short-time Fourier transform (STFT) feature extraction with convolutional neural networks (CNNs) and Transformer-based attention mechanisms. First, STFT hyperparameters (window length, hop size, NFFT, and window type) were systematically evaluated. The resulting time–frequency representations were then processed through CNN layers to capture local patterns, while Transformer layers modeled long-term temporal dependencies. The model was tested using transfer learning and subject-specific fine-tuning strategies on both the BCI Competition IV-2a and StrokeMI datasets. Experimental results demonstrated that meaningful performance gains could be achieved even with a limited number of calibration trials. The proposed method achieved comparable or higher inter-subject classification accuracy than some previously reported approaches and shows promise for the development of personalized BCI systems in realistic clinical scenarios.
Benzer Tezler
- Classification methods for motor imagery based brain computer interfaces
Motor hareket hayali tabanlı beyin bilgisayar arayüzleri için sınıflandırma metotları
AYHAN YÜKSEL
Doktora
İngilizce
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Imperceptible grating based steady-state motion visual evoked potentials brain-computer interface for spatial navigation
Yüksek frenakslı merkezi gabor tabanlı sabit durum hareket görsel uyarılmış potansiyelleri ile mekansal navigasyon için beyin bilgisayar arayüzü
BARTU ATABEK
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiBilişsel Bilim Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MURAT PERİT ÇAKIR
- Online adaptive classification of finger movements for brain computer interfaces
Beyin bilgisayar arayüzleri için el hareketlerinin çevrimiçi uyarlanır modellenmesi
MOHAND LOKMAN AHMAD AL DABAG
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- A Virtual home for Brain-Computer Interfaces (BCIs) Training
Beyin-Bilgisayar Arayüzleri (BBA) Eğitimi için Sanal Bir Ev
AHMET CAN MERCİMEK
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of EssexBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. FRANCİSCO SEPULVEDA
- Spatial decoding of oscillatory neural activity for brain computer interfacing
Beyin makine arayüzleri için salınımlı beyin işaretlerinin uzamsal çözümlemesi
İBRAHİM ONARAN
Doktora
İngilizce
2013
Biyomühendislikİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ENİS ÇETİN
YRD. DOÇ. DR. NURİ FIRAT İNCE