Analysis And Classificatıon Of Visually Evoked EEG Using Multiresolution Approximation.
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği, Türkiye
Tezin Onay Tarihi: 2010
Tezin Dili: İngilizce
Öğrenci: Umut Çelik
Asıl Danışman (Eş Danışmanlı Tezler İçin): SAMİ ARICA
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Elektroansefalografi (EEG) kafatası üzerine yerleştirilen elektrotlar vasıtasıyla beynin elektriksel aktivitelerinin ölçülmesidir. EEG'nin bir çok kullanım alanı vardır: Bu sinyaller ile, insanlar ve çevresi arasında bir iletişim kanalı oluşturulmasında veya beynin fonksiyonlarının anlaşılmasında veya birçok tanı ve tedavi sırasında yararlanılabilir. EEG sinyali içerisinde bir görsel uyarana tepki olarak oluşan Görsellikle İlişkili Potansiyeller (GİP) bu tür uygulamaların gelişiminde bir araç olarak kullanılabilir.Bu çalışmanın temel amacı; tanıdık ve tanımadık insan yüzlerinin fotoğrafları kullanılarak yapılan deneylerden elde edilmiş görsellikle ilişkili EEG sinyallerinin analizi ve sınıflandırılmasıdır. Deneylerde 26 kişiden EEG verisi alınmıştır. Çoklu çözünürlük analizi sinyal yaklaşımı ve zaman frekans analizi için bir araç olarak kullanıldı. Bir ölçekleme ve dalgacık fonksiyon çifti ve onların dikey olmayan tümleyenleri eksitatör post-sinaptik potansiyelin dalga biçimine uygun olarak oluşturulmuştur. GİP'lerin yaklaşım katsayıları bu ölçekleme fonksiyonu sayesinde sağlanmış ve yaklaşım katsayılarından oluşan eğitim setindeki sinyaller tanıdık-tanımadık yüzle ilgili potansiyeli sınıflamak için Fisher lineer sınıflayıcısına giriş olarak uygulanmıştır. Oluşturulan dalgacık ile yapılan sınıflamanın performansı dalgacık filtre uzunlukları bizim oluşturduğumuz ölçekleme fonksiyonunun filtre uzunluğuna yakın olan diğer dalgacıklara göre daha iyi sonuç vermiştir. Bunun yanında, EEG verisinin öznitelikleri ve ortak uzamsal örnekleri yöntemi de sınıflama başarımının karşılaştırılması için kullanılmıştır. Bu sonuçlar bizim yöntemin EEG sinyal işlemede ve sınıflamada başarılı olabileceğini göstermektedir.