Tez No	İndirme	Tez Künye	Durumu
672468		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 Yazar:AHMED M. ABDALLA Danışman: PROF. DR. OSMAN NURİ UÇAN ; DOÇ. DR. ADİL DENİZ DURU Yer Bilgisi: ALTINBAŞ ÜNİVERSİTESİ / LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ / ELEKTRİK VE BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Anahtar Kelime:	Onaylandı Doktora İngilizce 2020 99 s.
In the past decade, several studies have been performed in the field of brain electrical time series classification. Among those studies the identification of the emotional state based on electroencephalogram attracts researchers. In the concept of this thesis, a methodological framework for the classification of the EEG is proposed. To test the proposed approach a set of experiments have been conducted to collect EEG time series data. For this issue, we developed our stimulus presentation software and collected EEG data during the presentation of the emotional stimuli. In addition to these measurements, resting-state EEG recordings are collected. Nine volunteers participated in the study and, three different types of emotions were presented. From sixteen EEG sensors, recordings were performed with a sampling rate of 1Khz. Both the resting status (eyes closed, eyes open) and the emotional EEG (happy, unhappy, neutral) data were epoched using 1-second length windows. Then these epoched segments are subjected to feature extraction by the implementation of FourierTransform and Sample entropy, respectively. The former one represented the frequency spectrum while the latter one was used to monitor the complexity. Further, the Support Vector Machine, LinearDiscriminant, Logistic Regression, Decision Tree, K-Nearest Neighbours, and GaussianNaive Bayes algorithms were implemented separately on the features which were extracted. The evaluation of these techniques is performed in terms of accuracy scores. For the resting state EEG classification, we achieved the higher classification accuracy values by the use of SVM and LR (97%) with Fourier spectrum features. On the other hand, sample entropy features were found to classify the emotional responses with a better accuracy value than the spectral features. To conclude, it has been seen that the complexity-based parameters are more eligible to explain the variations of the emotional brain responses while the power spectral values stand for the resting status when a one-second length segment is used.
Geçtiğimiz on yılda, beyin elektriksel zaman serileri sınıflandırması alanında çeşitli çalışmalar yapılmıştır. Bu çalışmalar arasında duygusal durumun elektroensefalograma (EEG) dayalı olarak belirlenmesi dikkat çekmektedir. Bu tez kapsamında, EEG'nin sınıflandırılması için metodolojik bir çerçeve önerilmektedir. Önerilen yaklaşımı test etmek için, EEG zaman serisi verilerini toplamak için bir dizi veri toplanmıştır. Bu amaçla uyarıcı sunum yazılımı geliştirilmiştir ve duygusal uyaranların sunumu sırasında EEG verisi toplanmıştır. Bu ölçümlere ek olarak dinlenme durumu EEG kayıtlarıda incelenmiştir. Çalışmada dokuz kişiye ait üç farklı duygu durumu EEG ölçümü kullanıldı. On altı EEG sensöründen 1 KHz örnekleme frekansında EEG kullanıldı. Hem dinlenme durumu (gözler kapalı, gözler açık) hem de duygusal EEG (mutlu, mutsuz, nötr) verileri 1 saniye uzunluğundaki pencereler kullanılarak pencerelendi. Daha sonra bu bölümler, sırasıyla Fourier Dönüşümü ve Örnek entropisinin uygulanmasıyla öznitelik çıkarımı gerçekleştirildi. BU özniteliklerden ilki frekans spektrumunu temsil ederken, ikincisi karmaşıklığı izlemek için kullanıldı. Ayrıca, Destek Vektör Makinesi, LinearDiscriminant, Lojistik Regresyon, Karar Ağacı, K-En Yakın Komşular ve GaussianNaive Bayes algoritmaları çıkarılan özellikler üzerinde ayrı ayrı uygulandı. Bu tekniklerin değerlendirilmesi doğruluk puanları üzerinden yapıldı. Dinlenme hali EEG sınıflandırmasında, Fourier spektrum özellikleri ile SVM ve LR (% 97) kullanarak yüksek sınıflandırma doğruluk değerlerine ulaşıldı. Öte yandan, örnek entropi özelliklerinin duygusal tepkileri spektral özelliklerden daha iyi bir doğruluk değeri ile sınıflandırdığı bulunmuştur. Sonuç olarak, karmaşıklık temelli parametrelerin duygusal beyin tepkilerinin varyasyonlarını açıklamak için daha uygun olduğu, güç spektral değerlerinin ise bir saniyelik uzunluktaki bir segment kullanıldığında dinlenme durumunu daha başarılı temsil ettiği görülmüştür.