EEG SİNYALLERİNDEN DUYGU TANIMA İÇİN AKILLI YÖNTEMLERİN GELİŞTİRİLMESİ

Abstract

Günümüzde duyguların tanıması birçok alanda önemli bir unsur haline gelmiştir. EEG sinyallerinin çeşitli beyin ve nörolojik durumları teşhis ettiği düşünülmektedir. Duygusal durumun tespiti ve analizi için karakteristik sinyaller ürettiğinden bu çalışmada EEG sinyalleri kullanılmıştır. Bu tez çalışmasında önerilen modelin birincisinde efektif ve basit yöntem geliştirerek yüksek doğruluğa sahip otomatik duygu tanıma, diğerinde ise tek boyutlu sinyaller için yeni bir öğrenme modeli ile daha yüksek sınıflandırma geliştirerek yüksek doğruluğa sahip otomatik duygu tanıma amaçlanmıştır. Önerilen yöntemlerin birincisinde yerel ikili desen, çok düzeyli ayrık dalgacık dönüşümü, komşuluk bileşen analizi ve k-en yakın komşu sınıflandırıcı kullanılarak yeni bir otomatik EEG duygu tanıma modeli sunulmuştur. Bu model GAMEEMO veri setinde mükemmel sınıflandırma oranına %100.0 ulaşmıştır. Bu sonuçlar, modelin duygu sınıflandırması için EEG sinyalleri üzerindeki yüksek sınıflandırma yeteneğini açıkça göstermiştir. Önerilen diğer yöntemde, asal örüntü ve ayarlanabilir q-faktörlü dalgacık dönüşümü (AQDD) özellik üretme modeli sunulmuştur. Bu model, özellik çıkarma, özellik seçimi ve sınıflandırma olmak üzere makine öğrenimi modelinin tüm aşamalarını kapsamaktadır. Önerilen model 87 özellik vektörü ürettiğinden dolayı, bu model PrimePatNet87 olarak adlandırılmıştır. Önerilen modeli geliştirmek için herkese açık GAMEEMO, DREAMER ve DEAP veri seti kullanılmıştır. PrimePatNet87 modeli, birey bazlı çapraz doğrulama (LOSO) ile tüm veri kümelerinde %99'un üzerinde sınıflandırma doğruluğuna ulaşmıştır. Bu sonuçlar, önerilen asal örüntü modelinin gerçek dünya uygulamaları için hazır olduğunu göstermiştir.

Nowadays, emotion recognition has become an important element in many areas.EEG signals are thought to diagnose a variety of brain and neurological conditions. EEG signals were used in this study because they generate characteristic signals for the detection and analysis of the emotional state. In the proposed model of this thesis, it was aimed to develop an effective and simple method to develop high-accuracy automatic emotion recognition,together with developing a higher classification with a new learning model for one-dimensional signals, and to achieve high-accuracy automatic emotion recognition. In the first proposed methods, a new automatic EEG emotion recognition model is presented using local binary pattern, multilevel discrete wavelet transform, neighborhood component analysis and k-nearest neighbor classifier. This model has reached an excellent classification rate of 100.0% in the GAMEEMO dataset. These results clearly demonstrated the model's high classification ability on EEG signals for emotion classification. In the other proposed method, the prime pattern and tunable q-factor wavelet transform (TQDD) feature generation model are presented. This model covers all phases of the machine learning model, including feature extraction, feature selection, and classification. Since the proposed model generates 87 feature vectors, this model is named PrimePatNet87. The publicly available GAMEEMO, DREAMER and DEAP datasets were used to develop the proposed model. The PrimePatNet87 model achieved over 99% classification accuracy across all datasets with leave one subject out (LOSO) validation. These results show that the proposed prime pattern model is ready for real-world applications.