Kullanım Kılavuzu
Neden sadece 3 sonuç görüntüleyebiliyorum?
Sadece üye olan kurumların ağından bağlandığınız da tüm sonuçları görüntüleyebilirsiniz. Üye olmayan kurumlar için kurum yetkililerinin başvurması durumunda 1 aylık ücretsiz deneme sürümü açmaktayız.
Benim olmayan çok sonuç geliyor?
Birçok kaynakça da atıflar "Soyad, İ" olarak gösterildiği için özellikle Soyad ve isminin baş harfi aynı olan akademisyenlerin atıfları zaman zaman karışabilmektedir. Bu sorun tüm dünyadaki atıf dizinlerinin sıkça karşılaştığı bir sorundur.
Sadece ilgili makaleme yapılan atıfları nasıl görebilirim?
Makalenizin ismini arattıktan sonra detaylar kısmına bastığınız anda seçtiğiniz makaleye yapılan atıfları görebilirsiniz.
 Görüntüleme 4
Ayrık Dalgacık Dönüşümü ve Welch Yöntemini Kullanarak EEG Sinyallerinden Zihinsel İş Yükünün Derin Öğrenme ile Tespiti
2024
Dergi:  
Avrupa Bilim ve Teknoloji Dergisi
Yazar:  
Özet:

Zihinsel iş yükünü ölçmek için taşınılabilirliliği, kullanım pratikliği ve sinyal alımının kolaylığı gibi sebeplerle çoğunlukla Elektroensefalogram (EEG) sinyalleri kullanılmaktadır. EEG sinyallerinden özellik çıkartmak ve sınıflandırmak önemli bir konudur. Bu çalışmada, EEG sinyallerinin güç spektral yoğunluğu değerleriyle oluşturulan özniteliklerin, derin öğrenme ve makine öğrenmesi yöntemleriyle sınıflandırılması yapılmıştır. Derin öğrenme algoritmasıyla elde edilen sonuçların, klasik makine öğrenmesi algoritmalarına göre üstün olduğu gösterilmiştir. Öncelikle, katılımcılara matematiksel olarak iki farklı sayının birbirinden çıkartılması gibi aritmetik görevler verilmiştir. Katılımcıların dinlenme durumlarındaki ve aritmetik görev verildiği esnasındaki EEG sinyalleri kaydedilmiştir. EEG sinyallerine ayrık dalgacık dönüşümü (DWT) uygulanarak alt bandlar elde edilmiştir. Bandlara ait güç değerleri Welch yöntemiyle hesaplanmıştır. Her bir banddan gelen güç değerleri birleştirilerek öznitelik vektörleri oluşturulmuştur. Bu öznitelik vektörlerinin, uzun kısa dönem hafıza (LSTM) derin öğrenme algoritması ile destek vektör makinesi (SVM), doğrusal diskriminant analizi (LDA), k en Yakın Komşuluk (k-NN) gibi farklı makine öğrenmesi algoritmaları kullanılarak sınıflandırma işlemi yapılmıştır. Sınıflandırma sonucunda, her bir kanal için hesaplanan doğruluk, duyarlılık, özgüllük, F1 skoru ve kesinlik gibi performans metriklerinin ortalaması alınmıştır ve tablo halinde sınıflandırma algoritmalarının üstünlükleri karşılaştırılmıştır.

Anahtar Kelimeler:

Detection Of Mental Workload With Deep Learning From Eeg Signals Using Discrete Wavelet Transform and Welch Method
2024
Yazar:  
Özet:

Electroencephalogram (EEG) signals are mostly used to measure mental workload for reasons such as portability, practicality of use and ease of signal reception. Extraction and classification of features from EEG signals is an important issue. In this study, the features created by the power spectral density values of the EEG signals are classified by deep learning and machine learning methods. It has been shown that the results obtained with the deep learning algorithm are superior to the classical machine learning algorithms. Firstly, the participants were given arithmetic tasks such as subtracting two different numbers from each other mathematically. The EEG signals of the participants at rest and during the arithmetic task were recorded. Subbands were obtained by applying discrete wavelet transform (DWT) to EEG signals. The power values of the bands were calculated with the Welch method. Feature vectors were created by combining the power values from each band. These feature vectors were classified using different machine learning algorithms such as long short-term memory (LSTM) deep learning algorithm and support vector machine (SVM), linear discriminant analysis (LDA), k-Nearest Neighborhood (k-NN). As a result of the classification, the performance metrics such as accuracy, sensitivity, specificity, F1 score and precision calculated for each channel were averaged and the superioty of the classification algorithms were compared in table.

Anahtar Kelimeler:

Atıf Yapanlar
Bilgi: Bu yayına herhangi bir atıf yapılmamıştır.
Benzer Makaleler






Avrupa Bilim ve Teknoloji Dergisi

Alan :   Fen Bilimleri ve Matematik; Mühendislik

Dergi Türü :   Uluslararası

Metrikler
Makale : 3.175
Atıf : 5.550
2023 Impact/Etki : 0.178
Avrupa Bilim ve Teknoloji Dergisi