Elektroensefalografi işaretlerinin makine öğrenmesi algoritmaları ile incelenmesi ve sınıflandırılması

Elektroensefalografi (EEG) işaretleri temel alınarak oluşturulan Beyin-Bilgisayar Arayüzü araştırmaları, mevcut çalışmalardan daha yüksek sınıflandırma başarımı ve daha hızlı sistemlerin kurulmasını amaçlamaktadır. Bu tez çalışmasında Beyin-Bilgisayar Arayüzü sistemleri için EEG verilerinin sınıflandırılması işlemi gerçekleştirilmiştir. EEG işaretleri içerisindeki gürültü kaynaklı bozuklukların belirli oranda ortadan kaldırılabilmesi ve işaretlerin bütünün standartlaştırılması amacıyla verilere standart sapma normalizasyonu uygulanmıştır. Ayrıca her bir frekans bandındaki bilginin ayrı ayrı elde edilebilmesi için işaretler alt frekans bandlarına ayrıştırılmıştır. Devamında, işaretlere farklı öznitelik grupları uygulanarak en yüksek sınıflandırma başarısını gösteren öznitelik grubu, çalışmada kullanılmak üzere seçilmiştir. Öznitelik matrisi içerisindeki yetersiz özniteliklerin çıkarılması için Ardışık İleri Yönde Seçim Algoritması kullanılmıştır. Çalışmada sınıflandırıcı performanslarının karşılaştırılması ve en yüksek sınıflandırma başarımının elde edilebilmesi için iki farklı yöntem önerilmiştir. Önerilen ilk yöntemde, makine öğrenmesi tabanlı klasik sınıflandırıcılardan k-En Yakın Komşuluk, Destek Vektör Makineleri ve Doğrusal Ayırım Analizi algoritmaları ile sınıflandırma işlemi gerçekleştirilmiştir. İkinci yöntemde ise derin öğrenme tabanlı sınıflandırıcılardan olan Derin Sinir Ağları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Derin Sinir Ağları ile iki, dört, sekiz ve on altı katmanlı derin ağ modelleri oluşturulmuş ve sınıflandırma başarıları analiz edilmiştir. Tez çalışması sonucunda, k-En Yakın Komşuluk ile %89,4 Destek Vektör Makineleri ile %88,7 Doğrusal Ayırım Analizi ile %88,3 iki-katmanlı temel sinir ağı modeli ile %88,07 dört-katmanlı derin sinir ağı modeli ile %92,5 sekiz-katmanlı derin sinir ağı modeli ile %96,82 ve on altı-katmanlı derin sinir ağı modeli ile %94,67 sınıflandırma başarısı elde edilmiştir. Elde edilen sonuçlar, EEG tabanlı Beyin-Bilgisayar Arayüzü sistemlerinde derin öğrenme tabanlı sınıflandırıcıların, makine öğrenmesi tabanlı klasik sınıflandırıcılara göre daha yüksek sınıflandırma başarısı verdiği görüşünü desteklemektedir.