ODYOMETRİ SİSTEM TASARIMI VE EEG SİNYALLERİ KULLANILARAK MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE İŞİTME TESTİ

Abstract

ÖZET

Bu çalışmanın amacı, işitme testi (odyometri) işlemlerinin EEG sinyalleri ile otonom bir şekilde makine öğrenmesi yöntemleri kullanılarak gerçekleştirilmesidir. Standart işitme testlerinde test edilen kişiye verilen farklı genlik ve dalgaboylarına sahip sesler, rassal bir şekilde MATLAB GUI ile tasarlanan arayüz ile verilmiştir. Kişi, kulaklık ile dinlediği rassal büyüklükteki sesleri duyduğunu belirtmiş, duymamış ise herhangi bir işlem yapmamıştır. Eş zamanlı olarak EEG (elektroensefalografi) sinyalleri takip edilmiş ve kişinin duyduğu ve duymadığı seslerin beyinde oluşturduğu dalgalar kayıt altına alınmıştır. Test bitiminde oluşturulan EEG verileri ön işleme adımlarından geçirilmiş ve sonrasında öznitelik çıkarımı yapılmıştır. MATLAB arayüzünden alınan duydu ve duymadı bilgileri EEG sinyalleri ile birleştirilmiş ve kişinin hangi sesleri duyduğu hangi sesleri duymadığı tespit edilmiştir. Arayüz aracılığı ile verilen sesler arasında ki bekleme süresinde kişiye herhangi bir ses verilmemiştir. Dolayısıyla bu zamanlar da EEG sinyallerinde duyulmadı olarak işaretlenmiştir. Bu yüksek lisans tez çalışmasında, beyin sinyalleri Brain Products Vamp 16 EEG cihazı ile ölçülmüştür ve sonrasında Brain Vision Recorder program ile MATLAB kullanılarak EEG ham verisi oluşturulmuştur. Duyulan ve duyulmayan seslerin beyinde oluşturduğu sinyal verisinden veri seti oluşturulduktan sonra PYTHON programa dili ile makine öğrenmesi işlemleri gerçekleştirilmiştir. MATLAB ile oluşturulan ham veri, Python programlama dili ile alınmış, üzerinde ön işleme adımları tamamlandıktan sonra sınıflandırma algoritmaları üzerinde makine öğrenmesi yöntemleri uygulanmıştır. Analizlerde Naïve Bayes, LGBM, SVC, DTC, KNC, LR, RFC algoritmaları uygulanmış ve tahmin bakımından en başarılı algoritmanın %84 başarı oranı ile LGBM sınıflandırma algoritması olduğu tespit edilmiştir.

ABSTRACT

The purpose of this study is the realization of hearing test (audiometry) procedures carried out autonomously with EEG signals using machine learning methods. Sounds, which are provided in different amplitudes and wavelengths to the person tested in standard hearing tests, are provided randomly with the interface designed with MATLAB GUI. The person stated that he heard random-sized sounds he listened to with headphones, and if he did not, he did not take any action. Simultaneously, EEG (electroencephalography) signals were tracked, and the waves created in the brain by the sounds heard and unheard by the person were recorded. At the end of the test, the generated EEG data were subjected to pre-processing steps, and then feature extraction was carried out. Heard and unheard information received from the MATLAB interface combined with EEG signals and heard and unheard sounds by the person was determined. No sound was provided to the person during the waiting period between the sounds provided via the interface. Therefore, EEG signals were marked as unheard during these times. In this master thesis, the brain signals were measured with the Brain Products Vamp 16 EEG device and then, raw EEG data were created by using Brain Vision Recorder software and MATLAB. Once the data set is generated from the signal data formed by the heard and unheard sounds in the brain, machine learning processes were carried out with the PYTHON programming language. The raw data generated with MATLAB processed with the Python programming language and machine learning methods were applied on classification algorithms once the pre-processing steps are completed. Naïve Bayes, LGBM, SVC, DTC, KNC, LR, RFC algorithms were used in the analysis, and with a success rate of 84%, the LGBM classification algorithm was determined to be the most successful algorithm in terms of prediction.