Yazar "Karaduman, Mücahit" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    EEG sinyallerinde makine öğrenmesi için yeni özelliklerin elde edilmesi ve uygulamasının gerçekleştirilmesi
    (İnönü Üniversitesi, 2023) Karaduman, Mücahit; Karcı, Ali
    Bu tez ile beyin bilgisayar arayüzü (BBA) kullanılarak cihazların veya sistemlerin kontrol edilebilmesi amacıyla sinyallerin alınması ve analiz edilmesi ele alınmaktadır. Beyin fonksiyonları sırasında ortaya çıkan sinyallerin analizi elektroensefalografi(EEG) denilmektedir. EEG sinyalleri alınarak analiz edilmekte ve sınıflandırılarak hangi duruma ait oldukları belirlenmektedir. Bu amaçla yapılan çalışmalardan biri görsel uyaran potansiyel kullanan şekil tahmin uygulaması olmaktadır. Bu uygulama ile bakılan 4 farklı şekil için kaydedilen EEG sinyallerine ait özellikler çıkarılmakta ve sınıflandırılmaktadır. Hareket üzerine yapılan çalışmada ise göz ve kolların birlikte hareket ettirilerek koordine bir şekilde EEG sinyalleri alınarak hangi duruma ait olduklarının kararının verilmesi amacıyla özellikler çıkarılmakta ve sınıflandırma gerçekleştirilmektedir. Hazır alkolik veri seti kullanılarak gerçekleştirilen çalışmalarımızda ise önce istatistiksel özellikler çıkarılmakta ve bunların yanısıra derin öznitelikler çıkarılarak hibrit bir özellik vektörü oluşturulmaktadır. Bu oluşturulan özellik vektörü sınıflandırılarak kişinin hangi gruptan olduğuna karar verilmektedir. Diğer bir alkolik veri seti çalışmamızda ise moment özellikleri çıkarılmakta ve anlamı bilinen ilk 4 momentin yanısıra daha yüksek dereceli momentler de hesaplanmakta ve bunların sınıflandırma üzerindeki etkilerine bakılmaktadır. Şekiller için yapılan çalışmada EEG sinyallerinin sınıflandırılması hangi şeklin görüntülendiğini yüzde 99,99 doğrulukla belirlemiştir. Bu sonuçlar, görüntülenen şeklin yapısına göre beyinde farklı sinyaller üretildiğini göstermektedir. Alkolik veri seti kullanılan uygulamada yalnızca istatistiksel özelliklerin sınıflandırılması için doğruluk oranı yüzde 81,2 olarak elde edilirken yalnızca derin öğrenme için yüzde 95,71 olmasına rağmen, önerilen Derin - İstatistiksel Özellikler Sınıflandırması (DSFC) kullanılarak türetilen hibrit özellikler için doğruluk oranı yüzde 99,2 olarak elde edilmiştir. Diğer alkolik çalışması için Moment 1'den 120'ye kadar tüm özellikler kullanıldığında en yüksek sınıflandırma doğruluğu yüzde 99,60 iken, Moment 1'den 20'ye kadar yüzde 99,80 olmakta ve daha iyi sonuç verdiği görülmektedir. Buna göre EEG sinyallerinin 20. dereceden bir polinom ile temsil edilebileceği sonucuna varılmıştır. Sonuç olarak alkol kullanım bozukluğunun (AUD) görsel uyaranlara maruz kalan kişilerde normal insanlara göre farklı EEG sinyallerine neden olduğu görülmektedir. Anahtar Kelimeler: Elektroensefalografi, Alkol kullanım bozukluğu, Hibrit Özellik, Sınıflandırma, Spektrogram, Moment