Yazar "Erkan, Erdem" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Psikofizyolojik ölçüm tabanlı beyin bilgisayar arayüz sistemlerinde performans artırmaya yönelik bir çalışma(Karabük Üniversitesi, 2018) Erkan, Erdem; Akbaba, MehmetNörolojik koşullara veya nörodejeneratif hastalıklara maruz kalmış insanlar nöral yollarla kendi kaslarını kontrol edemezler. Beyin bilgisayar arayüzü (BBA) sistemleri bu insanlara kendi sinir yollarından başka alternatif bir yol sunar. Bu alternatif yol, herhangi bir vokal kas kullanmadan BBA sistemleri aracılığı ile beyin sinyallerinin doğrudan kullanılmasıdır. Bir BBA sistemi beyin sinyallerinin elde edilmesi, işaretin yorumlanması ve sistem çıktısı olarak üç ana başlık altında incelenebilir. Sistem çıktısı başka bir cihazın kontrolü veya bilgisayar ekranında oluşan kelime dizileri olarak karşımıza çıkabilir. Beyin sinyalleri, sinyalin toplanması sırasında, sinyal algılayıcının (elektrot) beyin dokusuna olan uzaklığına göre farklılıklar göstermektedir. Kafa derisi üzerinden elektrotlar aracılığıyla elde edilen Elektroensefalografi (EEG) en yaygın kullanılan sinyal tipidir. Elektrokortikografi (ECoG) bir başka şekilde, invasive olarak, beyin dokusu üzerine alıcıların yerleştirilmesi ile elde edilen beyin sinyali tipidir. Her ne kadar ECoG sinyalleri daha yüksek çözünürlüğe sahip olsa da EEG sinyalleri de BBA sistemleri için yeterli çözünürlüğe sahiptir. Yine beyinden elde edilen sinyaller, sinyale özgü birtakım farklılıklar göstermektedir. Bu farklılıklar örnek olarak hareket-harekete hazırlık öncesinde veya harici görsel-işitsel uyaranlar sonucu oluşabilir. Hareket ile ilgili beyin sinyalleri Motor Imaginary (MI) olarak adlandırılırken, görsel uyaranlarla oluşan beyin sinyalleri P300 (Pozitif 300) ve SSVEP (Steady State Visual Evoked Potential) olarak sınıflandırılabilirler. Tezde ECoG ve EEG tipi MI çalışmaları hazır ve özgün veri setleri ile, EEG tipi SSVEP çalışmalarda da tamamıyla özgün veri setleri kullanılarak gerçekleştirilmiştir. MI sinyalleri, hareket-harekete hazırlık öncesinde veya hareket hayali sırasında oluşan ve genelde beynin motor bölgesinden elde edilen sinyal tipidir. SSVEP sinyalleri, sabit frekansta bir kaynağa bakıldığında, beynin görme bölgesinden elde edilen benzer frekanstaki sinyallere karşılık gelir. Bu tez çalışmasında BBA sistemlerinde performans artırmaya ve iyileştirmeye yönelik yöntemlerin geliştirilmesi amaçlanmıştır. Sinyal işlemeye yönelik algoritmaların yanı sıra, basit ve kullanıcı dostu sistem tasarımlarının da performans üzerine etkisi mevcuttur. Bu yüzden çalışmada sinyal işleme yöntemlerine ek olarak BBA sistem tasarımına da odaklanılmıştır. Çalışmada ilk olarak, BBA sistemlerine ilişkin deneyim kazanmak için, güncel sınıflandırma yöntemleri ve hazır veri setleri üzerinde çalışmalar yapılmıştır. Bu ilk çalışmada, beyinden üretilen MI tabanlı ECoG sinyallerinin sınıflandırılması gerçekleştirilmiştir. Çalışmada kullanılan veriler BCI Competition III'de kullanılan 1 numaralı veri setinden temin edilmiştir. İşlem yükünü azaltmak için öncelikle ayrıştırma başarısı düşük olan kanallar elenerek kanal sayısı azaltılmıştır. Optimal kanal setinin hızlı bir şekilde belirlenmesi için görsel kanal seçimi temelli Arc Detection Algorithm (ADA) algoritması geliştirilmiştir. Matematiksel ve istatistiksel tabanlı ADA algoritması en uygun kanal setinin belirlenmesinde başarılı sonuçlar vermiştir. Kanal setlerinin belirlenmesinden sonra, Ayrık Dalgacık Dönüşümü (DWT) kullanılarak elde edilen dalgacık katsayıları, sınıflandırmada kullanılacak özelliklerin belirlenmesinde kullanılmıştır. Bu özellikler K en yakın komşu analizi (KNN), Destek Vektör Makinesi (SVM) ve Doğrusal Ayırma Analizi (LDA) sınıflandırma yöntemleri ile farklı özellik küme setleri kullanılarak sınıflandırmaya tabii tutulmuştur. Sınıflandırmada kullanılan özellik setlerinin sınıflandırma başarıları karşılaştırılmıştır. Doğru kanal seti ve özelliklerin sınıflandırma performansı üzerindeki etkisi incelenmiş, aynı özellik setleri farklı frekans bantlarında test edilmiştir. Sonuç olarak, seçilen kanallar ve özellikler ile %95'lik bir sınıflandırma başarısı elde edilmiştir. Elde edilen sonuç literatürde ilgili veri setiyle elde edilmiş tüm sonuçların üstünde bir sınıflandırma başarısını ortaya koymuştur. BBA sistemlerinde bir diğer önemli konu istenmeyen kas hareketleri, göz kırpması ve buna benzer olumsuz sinyal etkilerinin veri setinden temizlenmesidir. Çalışmanın ikinci kısmında performansı olumsuz yönde etkileyen göz artifaktlarının tespit edilmesi için FEAD (Fast Eye Artefact Detection) ve ilgili EEG denemelerinden göz artifaktlarının temizlenmesinde kullanılan EBR (Eye Blink Remover) algoritmaları geliştirilmiştir. Algoritmalar MI ve SSVEP tipi EEG sinyallerinin algılanmasına yönelik özgün deneylerle testlere tabi tutulmuş, oldukça başarılı sonuçlar elde edilmiştir. Önerilen sistemde göz artifaktları FEAD algoritmasıyla ile tespit edilmekte, Independent Component Analysis (ICA) ve DWT tabanlı EBR algortiması ile sinyalin sorunlu kısmı ilgili sinyalden çıkarılmaktadır. EBR algoritması özgün EEG veri setleriyle test edilmiştir. Algoritma genel olarak EEG sinyalini ICA bileşenlerine ayırmakta, literatürden farklı olarak, ilgili sinyalden çıkarılması gereken minumum ICA bileşen sayısını tespit etmekte ve DWT ile sinyale ait sorunlu ICA bileşeninin sadece sorunlu wavelet bileşenlerini elimine ederek, minimum sorunlu sinyali nörolojik sinyalden ayırarak, yüksek oranda gürültü giderilmesini amaçlamaktadır. EBR algoritması, artifakt tespiti, minimum bileşen tespiti ve artifakt özelliklerinin tespiti açılarından özgündür. Göz kırpması içeren EEG sinyal denemelerinin tespitinde, göz kırpmasına özgü frekanslarla filtreleme sonucu elde edilen eşik değeri, zamansal göz kırpma süreleri kullanılırken, silinecek minimum bileşen tespitinde ise, tepe içermeyen sinyal parçalarının temizlik öncesi ve sonrası benzerlikleri temel alınmıştır. Hâlihazırda göz kırpma tepeciklerinin başlangıç ve bitiş noktalarının belirlenmesinde kullanılan yaygın bir yöntem yoktur. Çalışmalarımız kapsamında geliştirilen Find Peak Bottom (FPB) algoritması ile göz kırpma tepelerine ilişkin başlangıç ve bitiş noktaları belirlenmektedir. Tümüyle otomatikleştirilmiş bir uygulama olarak geliştirilen EBR sistemi her tip EEG veri setine uygulanabilmektedir. Sisteme girdi olarak verilen EEG veri seti göz kırpmalarından ve benzeri bozucu etkilerden arındırılmış olarak sistem sonucunda elde edilmektedir. Literatürde, EEG sinyallerinden atrifakt temizleme işlemlerinin başarısının belirlenmesinde, sorunlu sinyalde işlem sonrasında gözlemlenen değişim, işlem öncesi ve sonrasında temizlenen bölge dışındaki sinyal parçasının benzerlik oranı, sorunlu sinyal parçasındaki benzerlik oranı gibi kriterler kullanılmaktadır. Bunların her biri tek başına bir temizlik ölçütü sağlamamakla beraber, birlikte yorumlandığında anlamlı sonuçlar elde edilmektedir. EBR algoritması deneme testleri haricinde üç farklı veri setiyle test edilmiş, sonuç olarak; özgün, gerçek EEG veri setleriyle, %100 artifakt tespiti ve %80,089 işlem sonrası sorunsuz bölge benzerliği ile sinyal temizleme gerçekleştirmiştir. Bir sistemin performansı sistem hızı yanında sistem doğruluğu, güvenilirliği ve tasarımla da doğrudan ilişkilidir. Bu bağlamda tez çalışmasının üçüncü kısmında SSVEP tabanlı bir robot kontrol uygulaması geliştirilmiştir. Uygulamada üçüncü bölümde önerilen FEAD algoritması ile deneğin göz kırpma sayıları tespit edilmiş ve bu göz kırpma sayıları kullanılarak sistemin aktivasyonu sağlanmıştır. Bu sayede sistemin kontrol edilebilirliği artırılmıştır. Farklı göz kırpma sayıları sisteme farklı komutlar olarak atanabilmektedir. Uygulama ile denekler 4 farklı yön komutu ile sadece bilgisayar ekranına bakarak bir robota komut verebilmektedirler. Uygulama performansı farklı sinyal pencere uzunluklarında senkron-asenkron deneylerle Minimum Energy Combination (MEC) ve Canonical Correlation Analysis (CCA) yöntemleri kullanılarak, karşılaştırmalı olarak analiz edilmiştir. Her iki SSVEP tespit yöntemiyle yakın sonuçlar elde edildiyse de, MEC yöntemi kullanıldığında daha başarılı sonuçlar elde edildiği gözlemlenmiştir. Uygulama ile 133,33 bit/dakika bilgi iletim hızı (ITR), 0,9 s sinyal pencere genişliği MEC yöntemi kullanılarak yakalanmıştır. Yakalanan ITR değeri 4 hedefe sahip BBA sistemlerinde oldukça başarılı bir değerdir. Son olarak tez çalışmasının dördüncü bölümünde yine SSVEP tabanlı 6 sınıftan oluşan bir BBA sistemi önerilmiştir. BBA sistemi sayesinde bilgisayar ekranında bulunan 6 farklı frekansta titreşen kutulardan herhangi birine odaklanılmasıyla istenilen harfler veya semboller bilgisayar ekranına yazdırılabilmektedir. Her bir ikili seçim bilgisayar ekranında bir harf yazımına karşılık gelmektedir. Ekrana bir harf veya sembol yazdırmak için iki seçim işleminin yeterli olması literatürde karşılaşılan üç veya daha fazla seçimle çalışan BBA speller sistemlerine göre kullanım kolaylığı açısından üstünlük göstermekte ve kullanıcılara daha konforlu bir kullanım sunmaktadır. Önerilen tasarım hem Türkçe hem de Latin harflerini barındırdığından, sistem aracılığı ile hem Türkçe hem de Latince kelimeler yazılabilmektedir. BBA tasarımıyla, yüksek başarıma sahip, kullanıcı dostu bir uygulama amaçlanmıştır. Sistem performansında önemli bir role sahip sinyal pencere uzunluğu üzerinde analizler yapılmıştır. 3 s'lik sinyal pencere genişliği ile hemen hemen tüm deneklerle oldukça yüksek bir sistem doğruluğu elde edilmiş, 77,55 bit/dakikalık ITR değeri 2 s 'lik pencere genişliği yakalanmıştır. Uyaran ve sinyal işlemenin iki farklı bilgisayar veya kaynağa ayrılmasıyla çok daha iyi sonuçların elde edileceği öngörülmektedir. Tez çalışması kapsamında elde edilen tecrübeler ışığında, çok kanallı veya yüksek çözünürlüklü BBA sistemlerine yönelik çalışmaların artacağı, deneğe özel kısa eğitimler içeren BBA sistemlerinin gelecek vadettiği öngörülmektedir.Öğe A study on performance increasing in SSVEP based BCI application(Elsevier - Division Reed Elsevier India Pvt Ltd, 2018) Erkan, Erdem; Akbaba, MehmetPeople which are afflicted with neurological conditions or neurodegenerative diseases can't control own muscles by neural pathways. Brain computer interface (BCI) systems offer these people another alternative path from their own neural pathways. This alternative pathway is the direct use of brain signals by a computer without using any vocal muscle. The steady state visual evoked potential (SSVEP) approach currently provides the high performance and reliable communication for the implementation of a non-invasive BCI. In SSVEP based BCI systems, Electroencephalography (EEG) signal detection time (signal window length) and accuracy are the most important performance parameters. Performance is usually measured by Information Transfer Rate (ITR). In the presented paper a SSVEP based BCI robot control application is introduced and system performance is analyzed for different signal window lengths. At first, the number of eye blinks of the subjects is determined by fast eye artifact detection method (FEAD) which based on visual eye blink detection. These eye blink counts are used for system activation. System usability is improved by this control. Two consecutive eye blinks which detecting by FEAD method are used for system activation. System deactivation is also provided by the same command. Synchronous and asynchronous experiments are performed on four healthy subjects for performance analyses. EEG data is analyzed in details by asynchronous experiments. During the synchronous experiments, subjects are tried to complete a predefined route which has twelve steps by navigating the robot (Lego Mindstorms EV3). The minimum energy combination (MEC) and canonical correlation analysis (CCA) methods are applied to EEG segments that are different in length in order to detect SSVEPs in both type experiments. ITR values are calculated for different signal window lengths. The results show that the detection accuracy of the MEC method is similar to that of the CCA method, although it is higher than that of the CCA method in situations where the SSVEP has low strength. In synchronous experiments, using MEC method a system peak ITR of 133.33 bit/min is reached for one subject with a 0.9 s signal window length. This ITR value is higher than previously published studies in the literature for SSVEP based BCI systems. (C) 2018 Karabuk University. Publishing services by Elsevier B.V.Öğe A study on the effect of psychophysiological signal features on classification methods(Elsevier Sci Ltd, 2017) Erkan, Erdem; Kurnaz, IsmailThe most important factor affecting the performance of a BCI (Brain Cothputer Interface) systems, is classification feature set. Choosing the right features to increase the success of classification is the key point. In BCI systems, signals from brain are used to store into dataset. In this study, BCI Competition III dataset 1 consisting of ECoG (Electrocorticography) signals is preferred. In the first part, in order to decrease the processing load, the number of channels are reduced by eliminating Channels (electrodes) which have low separation success. We developed new algorithm ADA (Arc Detection Algorithm) based on visual channel selection to determine quickly optimal channel subset. Than Obtained Wavelet coefficients by Discrete Wavelet Transform (DWT) and determined classification features from Wavelet coefficients. These features are used to classify by KNN (K Nearest Neighbors), SVM (Support Vector Machine) and LDA (Linear Discriminant Analysis) by different feature set combination. The classification successes of feature combinations which are used in classification are compared. The impact on the classification performance of the right channel and the right property choice is observed. Test results are made with different frequency bands are compared with the same feature set. As a result, the highest classification accuracy of 95% was obtained by selected channels and feature. (C) 2017 Elsevier Ltd. All rights reserved.Öğe Türkçe metinler için konuşma motoru geliştirilmesi(Karabük Üniversitesi, 2014) Erkan, Erdem; Kurnaz, İsmailİnsansı yeteneklere sahip bilgisayarlar, en başta engelliler olmak üzere tüm insanların yaşam kalitesini artırmaktadır. Bir bilgisayarın metni seslendirme, diğer bir deyişle konuşabilme özelliği de bu yetenekler arasında ilk sıralarda yer almaktadır. Bu tez çalışmasında, dijital ortamdaki Türkçe metinleri ses sinyallerine dönüştürebilen akıcı, anlaşılır bir Türkçe metin sentezleyici yazılım (MKS) geliştirilmiştir. Yazılım farklı ses veri tabanlarının uyarlanmasına uygun bir yapıda olmakla beraber, şu an sadece erkek sesi olarak seslendirme yapabilmektedir. Ayrıca uygulama genişletilebilir bir telaffuz modülüne sahiptir. Uygulamada metin sentezleme tekniği olarak ikili ses (difon) sentezleme tekniği kullanılmıştır. Uygulama MOS tipi bir değerlendirme testinden 5 tam puan üzerinden 3,72 puan almıştır.
