| Proje Ekibi (2) |
Doç. Dr. Caner ÖZCAN
Karabük Üniversitesi, Türkiye Projedeki Rolü: Yürütücü |
Hüseyin ÇİZMECİ
Karabük Üniversitesi, Türkiye Projedeki Rolü: Araştırmacı |
| Proje Türü | Yükseköğretim Kurumları Tarafından Destekli Bilimsel Araştırma Projesi |
| Proje No | FDK-2020-2309 |
| Proje Konusu | 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. İkinc... |
| Proje Durumu | Tamamlandı |
| Başlangıç Tarihi | 09-07-2020 |
| Bitiş Tarihi | 10-08-2022 |
| Anahtar Kelimeler | Kapsül Ağları, Derin Öğrenme, EEG, Özellik Çıkarma |
