Yazar "Çizmeci, Hüseyin" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    DERİN SİNİR AĞLARI İLE EEG VE ALIN EOG TABANLI DUYGU ANALİZİ
    (2022-06) Çizmeci, Hüseyin
    Duygu tanımada çok kanallı elektroensefalografi (EEG) sinyallerinin kullanımı giderek daha yaygın hale gelmektedir. Ancak yapılan çalışmalarda, EEG sinyallerinin karmaşıklığından dolayı aynı kişiden kaydedilen sinyallerde bile bozulmalar olabildiği görülmüştür. Bu yüzden insan beyninden elde edilen EEG sinyallerinin doğru ve tutarlı bir şekilde analiz edilmesi ve işlenmesi gerekir. Duygu tanımada yüksek doğruluk oranı elde etmek için destek vektör makinesi, yapay sinir ağı, derin inanç ağı ve son zamanlarda sıkça kullanılan evrişimli sinir ağı (CNN) gibi birçok makine öğrenme algoritması kullanılmıştır. Özellikle CNN temelli yaklaşımlar, yüksek doğruluk oranlarına ulaşmaları nedeniyle çok tercih edilmektedir. Ancak bu yaklaşımlar EEG sinyallerinin uzamsal özelliklerini görmezden gelir. Bu nedenle hedef veriler bozulduğunda CNN temelli modellerin sınıflandırma doğruluğu düşer. Başka bir deyişle, geleneksel yöntemler EEG kanallarının komşuluk ilişkisini ve hiyerarşik düzenini tanımlayamaz. Kapsül ağları, EEG sinyallerinin uzamsal özelliklerinin de ağa öğretilmesini sağlar. Ancak orijinal kapsül ağında EEG sinyallerinin derin özellikleri tespit edilememektedir. Bu tez çalışmasında, EEG verilerinden uygun kanalların seçilmesini, seçilen kanalların Welch güç spektral yoğunluk tahmini ile özelliklerinin çıkarılmasını ve gelişmiş kapsül ağı tabanlı sınıflandırma algoritmasını içeren bir yöntem sunulmaktadır. Sunulan yöntem üzerine iki ayrı çalışma yapılmıştır. Birinci çalışmada, literatürde bulunan en etkili kanallar tespit edilerek Seed EEG veri setinde pozitif, negatif ve nötr duygular üzerinde yüksek doğruluk oranları (%98.21) elde edilmiştir. Seed EEG veri setinde bulunan elektrookülografi (EOG) verisi, EEG sinyallerindeki göz kırpma artefaktlarını tanımlamak için kullanılmıştır. Aynı zamanda elde edilen sonuçlar CNN, AlexNet, DenseNet, VGG11, LeNet ve ResNet ile karşılaştırılmıştır. Son olarak, önerilen yöntem Dreamer ve Deap veri setleri ile test edilmiştir. İkinci çalışmada ise ABC algoritmasının dört farklı varyasyonu ile Seed EEG veri setindeki en etkili kanallar tespit edilmiş, tespit edilen kanalların Welch güç sprektral yoğunluğu tahmini ile özellikleri çıkarılmış ve gelişmiş kapsül ağı tabanlı model ile sınıflandırılmıştır. Çalışma sonucunda Seed EEG veri seti üzerinde %99.83 oranında sınıflandırma doğruluğu elde edilmiştir.