Tez No	İndirme	Tez Künye	Durumu
760793		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 Yazar:ESRA KAYA Danışman: PROF. DR. İSMAİL SARITAŞ Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı / Elektrik Elektronik Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Derin öğrenme = Deep learning ; Elektroensefalografi = Electroencephalography ; Evrişimli sinir ağları = Convolutional neural networks ; Filtreleme = Filtration ; Sinir ağları = Nerve net	Onaylandı Doktora Türkçe 2022 137 s.
Beyin-Bilgisayar Arayüzü (BBA) kavramı, insanların düşüncelerini ifade etmelerine ve farklı uygulamaları ve cihazları gerçek bir hareket olmadan kontrol etmelerine olanak sağladığı için son zamanların popüler araştırma konularından biri haline gelmiştir. Elektroensefalogram (EEG), bir kişinin kafa derisi yüzeyinden elde edilen elektriksel potansiyelleri ölçer ve farklı beyin bölgelerinin aktivitesini gösterir. Beyin ve bir bilgisayar veya makine arasındaki iletişim genellikle EEG sinyalleri ile sağlanır, çünkü bunlar sadece medikal alanda değil, normal yaşamda da uygun maliyetli ve kolay uygulanabilir özelliğe sahiptir. Öte yandan, doğrusal olmamaları ve gürültülü yapıları nedeniyle verimli bir şekilde işlenmeleri zordur, bu nedenle BBA ve EEG alanları sürekli çalışma ve iyileştirme gerektirmektedir. Bu çalışmada robotik araçların kontrolüne yönelik kullanılan Motor Görüntüleme (MG) EEG sinyallerinin iyileştirilmesi için hem zaman hem de frekans domeni özelliklerini koruyan sinyal ayrıştırma yöntemlerine dayalı ve korelasyon tabanlı yeni uyarlamalı filtre algoritmaları geliştirilmiştir. Geliştirilen Korelasyon Tabanlı Uyarlamalı Dalgacık Ayrıştırma (KTUDA), Korelasyon Tabanlı Uyarlamalı Ampirik Mod Ayrıştırma (KTUAMA) ve Korelasyon Tabanlı Uyarlamalı Varyasyon Mod Ayrıştırma (KTUVMA) yöntemlerin başarısı EEG sinyal işlemede geleneksel olarak kullanılan bir eliptik bant geçiren filtrenin sonuçlarıyla karşılaştırılarak bulunmuştur. KTUVMA filtresi hem geliştirilen diğer yöntemlere hem de bant geçiren filtreye göre en başarılı sonucu veren filtreleme yöntemi olarak tespit edilmiştir. Ayrıca çalışmada yön tabanlı bir paradigmaya bağlı olarak sağlıklı bir kişiden 20 farklı günde elde edilen EEG sinyalleri, çentik filtresi, ortak ortalama referans, ayrık değer atma ve taban çizgisi düzeltme kullanılarak işlenmiştir. Kişi ve cihaz kaynaklı gürültü ve değişimlerin etkisini göz ardı etmek için makine öğrenmesiyle en iyi sınıflandırma sonucunu veren elektrot kanalları ve öznitelikler genelleme yapılabilecek şekilde seçilmiştir. Bu kanal ve öznitelikler farklı kişilerden alınan EEG sinyallerine uygulanmıştır. Elde edilen makine öğrenmesi sonuçlarının derin öğrenme yöntemleriyle karşılaştırılması için EEG sinyallerinin farklı boyutlarda ifade edilebilmesi özelliği kullanılarak Bilinen Konvolüsyonel Sinir Ağı (CNN) mimarisi ResNet18'in farklı boyutlara uyarlanmasıyla sınıflandırılmıştır. Sonuç olarak; MG EEG sınıflandırılmasında derin öğrenmenin (%77,1) makine öğrenmesi yöntemine (%68,6) göre daha iyi sonuçlar verdiği tespit edilmiştir. Ayrıca yapılan ResNet18 bir, iki ve üç boyutlu çalışmasında; bir boyutlu uygulamanın hem işlem süresi açısından hem de kişi bazlı elde edilen ortalama ikili sınıflama doğruluğu (%77,1) açısından iki ve üç boyutlu uygulamalardan daha başarılı olduğu görülmüştür. Bir boyutlu ResNet18 ile BBA eğitimi görmüş kişiden %94,2 ikili sınıflama doğruluğu elde edilirken BBA eğitimi görmemiş kişilerden en yüksek %81,8 ikili sınıflama doğruluğu elde edilmiştir. Anahtar Kelimeler: Beyin Bilgisayar Arayüzü, Derin Öğrenme, Elektroensefalogram, Filtreleme, Konvolüsyonel Sinir Ağı, Motor Görüntüleme, Robot Kontrol
The concept of Brain-Computer Interface (BCI) has become one of the popular research topics recently as it allows people to express their thoughts and control different applications and devices without real action. An electroencephalogram (EEG) measures electrical potentials from the surface of a person's scalp and shows the activity of different brain regions. Communication between the brain and a computer or machine is usually provided by EEG signals because they are cost-effective and easy to implement not only in the medical field, but also in normal life. On the other hand, they are difficult to process efficiently due to their non-linearity and noisy nature, so BCI and EEG fields require continuous study and improvement. In this study, new adaptive filter algorithms based on correlation and signal decomposition methods that preserve both time and frequency domain properties have been developed for the improvement of Motor Imaging (MI) EEG signals used for the control of robotic vehicles. The success of the developed Correlation-Based Adaptive Wavelet Decomposition (CBAWD), Correlation-Based Adaptive Empirical Mode Decomposition (CBAEMD) and Correlation-Based Adaptive Variational Mode Decomposition (CBAVMD) methods was found by comparing the results of an elliptical bandpass filter which is traditionally used in EEG signal processing. The CBAVMD filter has been determined as the filtering method that gives the most successful result, according to both the other developed methods and the band-pass filter. In addition, in the study, EEG signals obtained from a healthy person on 20 different days, depending on a direction-based paradigm, were processed using notch filter, common mean reference, discrete value throwing and baseline correction. In order to ignore the effect of noise and changes caused by people and devices, the electrode channels and features that give the best classification result with machine learning have been chosen so that generalization can be made. These channels and features were applied to EEG signals from different people. In order to compare the obtained machine learning results with deep learning methods, the known Convolutional Neural Network (CNN) architecture was classified by adapting ResNet18 to different dimensions, using the ability to express EEG signals in different sizes. As a result, it was determined that deep learning (77.1%) gave better results than machine learning method (68.6%) in MI EEG classification. In addition, in the ResNet18 one-, two- and three-dimensional study; It was seen that one-dimensional application was more successful than two- and three-dimensional applications in terms of both processing time and average binary classification accuracy (77.1%) obtained on a person-based basis. With one-dimensional ResNet18, 94.2% binary classification accuracy was obtained from the subject who received BCI training, while the highest binary classification accuracy was 81.8% from the subjects who did not receive BCI training. Keywords: Brain Computer Interface, Convolutional Neural Network, Deep Learning, Electroencephalogram, Filtering, Motor Imaging, Robot Control