Tez No	İndirme	Tez Künye	Durumu
791305		New generation feature engineering models based emotion classification using EEG signals / EEG sinyallerini kullanan yeni nesil özellik mühendisliği modellerine dayalı duygu sınıflandırması Yazar:ABDULLAH DOĞAN Danışman: PROF. DR. ALİ HİKMET DOĞRU ; DOÇ. DR. TÜRKER TUNCER Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2023 84 s.
Bu tez, iki teknik kullanarak otomatik doğru duygu sınıflandırmasına bir çözüm sunmaktadır. Clefia desen tabanlı özellikler olarak adlandırılan ilk teknik, EEG sinyallerinden özellikler çıkarmak ve duyguları sınıflandırmak için Clefia şifreleme algoritması kullanmaktadır. Bu teknik, duygu sınıflandırmasında düşük hesaplama karışıklığına karşı yüksek doğruluk göstermiştir. İkinci teknik olan PrimePatNet87, EEG sinyallerinden özellikler çıkarmak ve duyguları sınıflandırmak için asal model ve ayarlanabilir q-faktörü dalgacık dönüşümü tekniklerini kullanmaktadır. Bu teknik, iki farklı EEG veri kümesi üzerinde test edilmiş ve yüksek duygu sınıflandırma doğruluğu göstermiştir. Bu tekniklerin her ikisi de doğru duygu tanımanın önemli olduğu çok çeşitli uygulamalarda kullanılma potansiyeline sahiptir. Ek olarak, duygu sınıflandırmasında daha da yüksek doğruluk elde etmek için bu teknikler daha da geliştirilebilir ve iyileştirilebilir. Genel olarak, bu tez, EEG kullanarak otomatik doğru duygu tanıma için umut verici yaklaşımlar sunmaktadır.
This thesis presents a solution to automated accurate emotion classification by using two techniques. The first technique, called Clefia pattern-based features, utilizes Clefia encryption algorithm to extract features from EEG signals and classify emotions. This technique has shown low complexity with favorable accuracy in emotion classification. The second technique, PrimePatNet87, utilizes prime pattern and tunable q-factor wavelet transform techniques to extract features from EEG signals and classify emotions. This technique has been tested on two EEG datasets and demonstrated high emotion classification accuracy. Both of these techniques have the potential to be utilized in several applications where accurate emotion recognition is important. In addition, these techniques could be further developed and improved to achieve even higher accuracy in emotion classification. Overall, this thesis presents promising approaches for automated accurate emotion recognition using EEG.