Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://acikerisim.ktu.edu.tr/jspui/handle/123456789/587
Başlık: | Düşünsel elektrokortikografi (ECoG) işaretlerinin beyin bilgisayar arayüzü uygulamalarında verimli sınıflandırılması |
Diğer Başlıklar: | Efficient classification of imagery electrocorticography (ECoG) signals in brain computer interface applications |
Yazarlar: | Koçoğlu, Ramazan |
Anahtar kelimeler: | Sınıflandırma ; Öznitelik;Classification ; Feature extraction |
Yayın Tarihi: | 2009 |
Yayıncı: | Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü |
Özet: | Beyin Bilgisayar Arayüzü (BBA) sistemleri çevresel sinir sistemi ve kaslara bağlı olmayan bir iletişim sistemidir. BBA sistemi biyoelektrik beyin işaretlerini analiz ederek düşünsel istekleri kontrol komutlarını dönüştürmektedir. Bu sistem ALS hastaları gibi kas ve sinir sistemi rahatsızlığı bulunan kişiler için dış ortamla bir iletişim arayüzü olabilmektedir. Böylece bu tip hastaların yaşam kalitesinin artırılması sağlanmış olacaktır. Son yıllarda BBA teknolojisi hızla gelişmektedir. BBA uygulamalarında sınıflandırma doğruluğu ve bilgi transfer hızı önemli iki konudur. BBA araştırmalarında amaç mevcut yöntemlerden daha yüksek sınıflandırma doğruluğu ve daha yüksek veri transfer hızına sahip yöntem geliştirmektir. BBA sistemlerinin giriş işaretlerinin kalitesi artırılarak sınıflandırma doğruluğu artırılabilir. Elektrokortikografi (ECoG) işaretleri korteks üzerinden kayıt edildiklerinden daha yüksek işaret gürültü oranı ve daha iyi uzamsal çözünürlük sağlayabilmektedir. Bundan dolayı ECoG işaretleri BBA sistemleri için işaret kaynağı olarak kullanılabilir. Bu tez çalışmasında, literatürde kullanılan farklı düşünsel ve görsel uygulamalarda elde edilmiş ECoG veri kümesi üzerinde çalışılmıştır. Bu veri kümesinde farklı oturum durumlarında işaretlerin sınıflandırılmasına yönelik katkı sağlayabilecek algoritmaların oluşturulması istenmektedir. Öznitelik çıkarma işlemi BBA uygulamalarının en temel ve en zor konusunu oluşturur. Bu çalışmada farklı sınıflara ait ECoG işaretlerinden dalgacık dönüşümü katsayıları yardımıyla öznitelikler çıkartılmıştır. Bulunan özniteliklere göre K-En Yakın Komşuluk (KNN), Destek Vektör Makineleri (DVM) ve Doğrusal Ayırma Analizi (DAA) kullanılarak sınıflandırma yapılmıştır. Tüm bu çalışmalar daha yüksek sınıflandırma oranı ve yüksek beyin bilgisayar arayüzleşmesi veri hızı elde edebilmek amacı gözetilerek gerçekleştirilmiştir. A brain computer interface (BCI) is a communication system that does not depend on the normal output pathways consisting of periphery nerves and muscles. BCI transforms mental intentions into control commands by analyzing the biomedical brain activity. The technique can be an interface to patients who totally losing volitional motor ability like amyotrophic lateral sclerosis (ALS). Thus, life quality of these type patients will be increased. In the past decade BCI technology has developed rapidly. In BCI applications classification accuracy and information transfer rate are two important issues. The goal in area of BCI research is to develop a method which has higher classification rate and brain computer interfacing data rate than existing methods. One method to boost classification accuracy is to improve the quality of input signal of a BCI system. Electrocorticographic (ECoG) recordings, derived from surface of the cortex, have the advantages of higher signal-to-noise ratio and better spatial resolution, and thus may be used as a feasible alternative of BCI signal source. In this thesis, it was studied on ECoG dataset which was obtained under different mental and visual tasks used in literature. In this data set, creating algorithms for contributing the classification of signals in different session situations is required. Feature extraction process is the main and also most difficult issue in BCI applications. In this work features are extracted from ECoG signals which have two different classes by means of wavelet transform. According to discovered features classification was done by using k-nearest neighbor (KNN), support vector machines (SVM) and linear discriminant analyses (LDA) classifier. All these studies actualized by considering the goal of to obtain higher classification rate and high brain computer interfacing data rate. |
URI: | http://acikerisim.ktu.edu.tr/jspui/handle/123456789/587 |
Koleksiyonlarda Görünür: | Elektrik-Elektronik Mühendisliği |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
Tam Metin.pdf | 3.07 MB | Adobe PDF | ![]() Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.