Tez No	İndirme	Tez Künye	Durumu
491127		Feature extraction and classification of electroencephalographic (EEG) signals towards the use of brain-computer interface in cognitive applications / Bilişsel uygulamalarda beyin-bilgisayar arayüzünün kullanımına yönelik özellik çıkarımı ve elektroensefalografik (EEG) sinyallerin sınıflandırılması Yazar:SEZİN TUNABOYLU Danışman: PROF. DR. EFENDİ NASİBOĞLU Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / İstatistik Ana Bilim Dalı / İstatistik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; İstatistik = Statistics Dizin:	Onaylandı Doktora İngilizce 2017 108 s.
Bu tez çalışmasında, bilgisayar imleçinin düşünce gücüyle hareket ettirilmesi için beyin-bilgisayar arayüzü geliştirilmiştir. EEG sinyalleri, Emotive Neuroheadset cihazının c# diliyle geliştirdiğimiz programa entegre edilerek elde edilmiştir. Düşünce gücüyle imleçe yukarı, aşağı, saga, sola ve hareket etmeme komutlarını yaptırma üzerinde çalışılmıştır. Öncelikle katılımcıların beyin sinyallerini control edebilmesi için eğitilmeleri gerekmektedir. Eğitim için komutların görsel resimlerini içeren bir ekran geliştirilmiştir. Katılımcılar 3 farklı günde eğitim programına tabi tutulmuştur. Her bir eğitimde görsel uyaranları içeren uygulama 24 kere gösterilerek elde edilen veriler sonraki çalışmalar için kaydedilmiştir. EEG verileri kompleks ve ham halinden bilgi çıkarılması zordur. Ayrıca, göz hareketleri, kas harketleri ve ortam sesleri EEG sinyallerinde gürültüye neden olmaktadır. Bu nedenle ön işleme aşamasında medyan filtreleme ve normalizasyon yöntemleri kullanılmıştır. Ön işleme işleminden sonra spesifik özellikler her bir komut için çıkarılmıştır. Özellik çıkarmak için MFDFA ve FFT yöntemleri kullanılmıştır. MFDFA yöntemi ile elde edilen dağılım değeleri ve FFT yöntemi ile elde edilen beta sinyalleri özellik olarak kullanılmıştır. Böylece büyük veri setinden daha küçük veri seti oluşturularak boyut indirgeme yapılmıştır. Son olarak, çıkarılan özellikler en yakın komşu algoritmalarıyla sınıflandırılmıştır. Sınıflandırma yöntemi olarak basit fakat örüntü sınıflandırma iyi performans değerlerine sahip olan k-en yakın komşu yöntemi ile EEG sinyal örüntülerinin sınıflandırılmasında daha önce kullanılmamış olan CxK en yakın komşu yöntemi kullanılmıştır ve literatürdeki çalışmalarla karşılaştırıldığında kabul edilebilir sonuçlar elde edilmiştir. Anahtar kelimeler: EEG, BCI, özellik çıkarma, sınıflandırma, K-en yakın komşu algoritması, CxK- en yakın komşu algoritması.
In this thesis, the brain computer interface system is developed for the cursor movement through the cognitive signals. The EEG data is handled from the Emotiv Neuroheadset device via our developed program written in c# language. We have worked on classification of five cognitive tasks; up, down, left, right and no movement. Before the movement of the cursor, the participants need to be trained to control the brain signals. In the training phase, the training screen is designed to consist of the visual stimuli. The participants have trained the program three times in different days and each session includes 24 trainings. EEG signals are very complex and the extracting information is difficult. Also, EEG signals has many artifacts occurred by the eye movement, muscle movement and the noise in environment. Therefore, median filtering and the normalization method are used in the preprocessing phase. Then the specific features for all cognitive tasks are extracted by the multifractal detrended fluctuation analysis and the fast Fourier transform. The Ph values and beta signals calculated from the MFDFA and FFT methods respectively, are used as features. Finally these features are classified by the nearest neighbor algorithms. Nearest neighbor (NN) algorithms are simple but effective methods for performing pattern classification. The CxK nearest neighbor algorithm is firstly used for cognitive EEG signal classification in this thesis and this method has given acceptable results when compared with the other studies in literature. Keywords: EEG, BCI, feature extraction, classification, k-nearest neighbor algorithm, CxK-nearest neighbor algorithm.