OBTAINING EEG-BASED FEATURES OF MENTAL STATES WITH BRAIN-COMPUTER INTERFACES USING MACHINE LEARNING

Abstract

ABSTRACT

This thesis examines the development of passive brain-computer interfaces that monitor mental states such as focused, unfocused, or drowsy using electroencephalographic (EEG) brain activity imaging and machine learning techniques. The aim of the study is to develop and compare suitable algorithms for accurately detecting and tracking mental states.

A comprehensive step-by-step process is established for processing EEG data in the study. This process encompasses preprocessing, feature extraction, and classification stages of EEG signals. Various time and frequency-based methods are employed in the feature extraction stage to obtain meaningful information from the signal. The extracted features are then fed into classification algorithms.

The thesis compares three different machine learning algorithms – k-Nearest Neighbors (k-NN), Adaptive Decision Tree (ADT) classifier, and Support Vector Machines (SVM) – using the Radial Basis Function (RBF) model. The objective of this comparison is to determine which algorithm provides the highest accuracy in mental state detection.

As a result, experiments and analyses conclude that the SVM algorithm outperforms the other methods in mental state detection. The superior performance of SVM stems from its ability to work effectively on complex and high-dimensional datasets. These findings represent a significant step towards the development and implementation of EEG-based passive brain-computer interfaces.

This thesis contributes to the development of methods that enable continuous and reliable monitoring of individuals' mental states by analyzing EEG signals and utilizing machine learning techniques.

ÖZET

Bu tez, elektroensefalografik (EEG) beyin aktivitesi görüntüleme ve makine öğrenme teknikleri kullanarak, kişinin odaklanmış, odaklanmamış veya uykulu olma gibi zihinsel dikkat durumlarını izleyen pasif beyin-bilgisayar arayüzlerinin geliştirilmesini incelemektedir. Çalışmanın amacı, zihinsel durumların doğru bir şekilde tespit edilmesi ve izlenmesi için uygun algoritmaların geliştirilmesi ve karşılaştırılmasıdır.

Çalışmada, EEG verilerinin işlenmesi için kapsamlı bir adım dizisi oluşturulmuştur. Bu süreçte, EEG sinyallerinin ön işleme, özellik çıkarımı ve sınıflandırma aşamaları ele alınmıştır. Özellik çıkarımı aşamasında, sinyalden anlamlı bilgilerin elde edilmesi amacıyla çeşitli zaman ve frekans tabanlı yöntemler kullanılmıştır. Elde edilen özellikler, daha sonra sınıflandırma algoritmalarına girdi olarak verilmiştir.

Tezde, Radial Basis Function (RBF) modeli kullanılarak, k-en yakın komşu (k-NN), Adaptif Karar Ağacı (ADT) sınıflandırıcı ve Destek Vektör Makineleri (SVM) olmak üzere üç farklı makine öğrenme algoritması karşılaştırılmıştır. Bu karşılaştırmanın amacı, hangi algoritmanın zihinsel durum tespiti konusunda en yüksek doğruluğu sağladığını belirlemektir.

Sonuç olarak, yapılan deneyler ve analizler neticesinde SVM algoritmasının diğer yöntemlere kıyasla zihinsel durum tespitinde daha yüksek bir performans gösterdiği tespit edilmiştir. SVM'nin üstün performansı, onun karmaşık ve yüksek boyutlu veri setleri üzerinde daha etkili çalışabilme yeteneğinden kaynaklanmaktadır. Bu bulgular, EEG tabanlı pasif beyin-bilgisayar arayüzlerinin geliştirilmesi ve uygulanması için önemli bir adım teşkil etmektedir.

Bu tez, EEG sinyallerinin analiz edilmesi ve makine öğrenme tekniklerinin kullanılmasıyla, bireylerin zihinsel dikkat durumlarının sürekli ve güvenilir bir şekilde izlenmesini sağlayacak yöntemlerin geliştirilmesine katkıda bulunmaktadır.