Tez No	İndirme	Tez Künye	Durumu
573669		Online adaptive classification of finger movements for brain computer interfaces / Beyin bilgisayar arayüzleri için el hareketlerinin çevrimiçi uyarlanır modellenmesi Yazar:MOHAND LOKMAN AHMAD AL DABAG Danışman: DR. ÖĞR. ÜYESİ NALAN ÖZKURT Yer Bilgisi: Yaşar Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:EEG =	Onaylandı Doktora İngilizce 2019 110 s.
Beyin bilgisayar arayüzü (BBA) çalışmaları insan ile makine arasında dolaylı bir bağlantı kurduğu için hem zorludur hem de ümit vadeder. Bu bağlantı genellikle girişimsel olmayan beyin sinyalleri algılama sistemi Elektroansefalografi (EEG) sinyallerinin makineyi yönetmek için doğru şekilde yorumlanması ile kurulur. EEG sinyalleri, beyin korteksindeki elektriksel aktiviteyi kafa derisi üzerinden dolaylı olarak kaydettiği için EEG sinyalleri, kötü kontak, güç hattı gürültüleri vb. gibi çok büyük miktarda bozulmadan mustariptir. Bu tezde, MATLAB ve C# programlama dilleri kullanılarak EMOTIV EPOC+ EEG cihazı tabanlı bir gerçek zamanlı uyarlanır BBA sistemi gerçeklenmiştir. Tezde önce EEG hareket sinyallerinden sağ ve sol parmak hareketlerinin ayrıştırılması için çevrimdışı bir algoritma geliştirilmesine odaklanılmıştır. Önişleme ve gürültü azaltmanın ardından, sistem kanalların çapraz ilintilerinin istatistiksel momentlerini sınıflandırmak için Çok Katmanlı Yapay Sinir Ağı (YSA) ve Destek Vektör Makineleri (DVM) kullanır. Etkin kanalların sağ ve sol lob kanallarıyla ilintileri daha ayırıcı öznitelikler oluşturuduğu gözlenmiştir. Sonuçlar YSA ve DVM'nin ortalamada %96 ile benzer başarıya sahip olduğunu gösterirken, DVM her zaman daha hızlıdır. Genetik algoritma ile istatistiksel özniteliklerden en ayırıcılar arandığında, parmak EEG sinyallerinin ayırılabilmesi için mod, en büyük ve standart sapmanın yeterli olduğu görülmüştür. Öznitelik seçiminen sonra da DVM, YSA ile benzer sınıflandırma oranlarına sahipken daha hızlı sonuç vermektedir. İkinci olarak MATLAB ve C# programlama dillerinin sırasıyla bilimsellik ve paralellik özellikleri kullanılarak gerçek zamanlı BBA yazılımı gerçeklenmiştir. Gerçek zamanlı sistem, çevrimdışı sistemde geliştirilen önişleme ve sınıflandırma yöntemlerini kullanarak kullanıcı arayüzü geliştirir. Bu sistem eş zamanlı işleme (üretici/tüketici) probleminin yaygın bir çözümünü iki aşamalı ardışık düzen benzetiminde kullanır. Bu da EEG hareket sinyallerinin gerçek zamanlı kaydı ve işlenmesi/sınıflandırılmasını ardışıl yerine interaktif çevrimiçi tepki zamanıyla işlenmesini sağlar.
Studies on Brain computer interface (BCI) are challenging and promising since it establishes an indirect link between human and machine. This link depends on a correct interpretation of the brain activities to control the machine based usually on noninvasive brain acquisition system which is called Electroencephalography (EEG). Since EEG signals record the brain cortical activities indirectly through using electrodes placed on the scalp of the head, is seriously affected by different sources of noises such as bad electrode connection, power line.. etc. This thesis construct an online adaptive BCI system based on EMOTIV EPOC+ headset using MATLAB and C# programming languages. The study first focused on the offline study to propose an algorithm, which constructs discriminative cognitive features to classify the right/left fingers EEG movement signals. After preprocessing and denoising the EEG signals, the proposed method uses two classifiers (Multilayers perceptron network MLP and support vector machine SVM) to classify the features produced from ten statistical moments of cross-correlated channels. It is observed that cross-correlation of effective channels with right and left hemisphere channels constructs more discriminative features from the EEG signals. The classification results show that the two classifiers have competitive results (96% on average) to classify 13 subjects offline dataset. Also these results show, SVM is more effective than MLP in term of computation time. Genetic algorithm is also used to select the best features and it is found that only three statistics (mode, maximum, and standard deviation) are enough to discriminate the cognitive EEG signals. After feature selection, SVM classifier still has competitive classification rates with MLP and faster computation time than MLP. Therefore only, SVM classifier was used in the online phase. Secondly, an online BCI software is constructed using by imbedding the MATLAB algorithm in C# BCI platform to make use of the scientific and parallelism facilities of both programming languages. This online system is based on the enhanced method proposed in the offline phase. It used a very common solution to synchronizing the concurrent processing (producer/consumer problem) for simulating the functionality of the two stage pipeline system. This simulation provides a real time acquisition of EEG motor signal to the preprocessing and classification stage and provides an interactive online response time rather than the sequential processing system.