Tez No	İndirme	Tez Künye	Durumu
670818		Motor hareket hayali görevlerine ait EEG sinyallerinin 2-B öznitelikler ve yarı olasılıksal dağılım modelleri ile sınıflandırılması / Classification of EEG-based motor imagery tasks using 2-D features and quasi-probabilistic distribution models Yazar:ÇAĞATAY MURAT YILMAZ Danışman: PROF. DR. CEMAL KÖSE Yer Bilgisi: Karadeniz 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:Elektroensefalografi = Electroencephalography	Onaylandı Doktora Türkçe 2021 173 s.
Beyin makine arayüzlerinin (BMA) geliştirilmesinde sıklıkla başvurulan motor hareket hayalinde (MHH) herhangi bir eylem motor sistem kullanılmadan beyinde simule edilerek yapılır. Tez çalışmasında, MHH görevlerinin sınıflandırılması için bazı örüntü tanıma teknikleri önerilmiştir. Bu amaçla ilk olarak, EEG sinyallerindeki geçiş noktalarına ait 2-B öznitelikler özelleşmiş bir uzayda çıkarılmıştır. Ardından, 2-B yarı olasılıksal dağılım modelleriyle (YODM) öğrenme modelleri oluşturulmuş ve olasılıksal üyeliklerle sınıflandırma gerçekleştirilmiştir. İlerleyen süreçte veri domaininden faydalanarak YODM temelli alt-sınıflandırıcılar oluşturulmuş ve oylama yaklaşımlarında kombinasyonları da kullanan bazı sınıflandırıcılar önerilmiştir. Dahası sinyal öznitelikleri 2-B modelleme görüntülerine dönüştürülmüş ve EEG sinyalleri transfer öğrenmeyle evrişimli sinir ağlarına uygulanmıştır. Tüm bunlara ek olarak, mobil telefonlarda sık kullanılan el hareketlerine ait MHH'ler ile MHH-BMTA adında yeni bir veri seti oluşturulmuş ve problem domainine beyin-mobil telefon arayüzleri de eklenmiştir. Yöntemlerin performansları MHH-BMTA ve BCI Competition yarışmalarında sunulan birçok veri setinde sınanmıştır.
Motor imagery (MI) is one of the most frequently used ways of designing brain-computer interfaces (BCIs). In this method, motor actions are performed by stimulating the brain without using the neuromuscular system. In this dissertation, new pattern recognition techniques are presented for the classification of MI tasks. For this purpose, firstly, transition points on the signals are detected and 2-D features are extracted in a specialized feature space. After that, learning models are constructed using 2-D quasi-probabilistic distribution models (QPDM) and classification is carried out with probabilistic memberships. In the following, QPDM-based sub-classifiers are designed using data domain and some classifiers that also adopt the combinations in voting methods are proposed. Moreover, 2-D features are transformed into 2-D modelling images, and in this way, EEG signals are given as input to convolutional neural networks with the assistance of transfer learning. In addition to all these studies, a new data set, abbreviated as MI-BMPI, is introduced that contains MIs of most frequently used hand movements on mobile phones, and thus brain-mobile phone interfaces are added to the problem domain. The performances of proposed methods are tested on MI-BMPI and several BCI Competition data sets.