Deep learning-based detection of pre-movement EEG patterns for brain-computer interface applications
Year: 2025
Type: dissertation
Abstract: Beyin bilgisayar arayüzleri için hareket öncesi EEG örüntülerinin derin öğrenme yöntemi ile tespit edilmesi Bu çalışmada, EEG tabanlı motor imgeleme (MI) sınıflandırması için optimize edilmiş kısa süreli Fourier dönüşümü (STFT) özellik çıkarımı ile evrişimsel sinir ağları (CNN) ve Transformer tabanlı dikkat mekanizmalarını birleştiren hibrit bir derin öğrenme yaklaşımı önerilmektedir. Öncelikle STFT hiperparametreleri (pencere uzunluğu, adım boyutu, NFFT ve pencere türü) sistematik olarak değerlendirilmiş, ardından elde edilen zaman–frekans temsilleri CNN katmanları aracılığıyla yerel desenleri öğrenmekte ve Transformer katmanları ile uzun vadeli zamansal bağımlılıkları yakalamaktadır. Model, transfer öğrenme ve denek bazlı ince ayar stratejileriyle hem BCI Competition IV-2a hem de StrokeMI veri kümelerinde test edilmiştir. Deneysel sonuçlar, sınırlı sayıda kalibrasyon denemesiyle dahi anlamlı performans artışları sağlandığını göstermektedir. Önerilen yaklaşım, literatürde raporlanan bazı yöntemlerle karşılaştırılabilir veya daha yüksek denekler arası doğruluk elde etmiş olup, gerçekçi klinik senaryolarda kişiselleştirilmiş BCI sistemlerinin geliştirilmesi için umut vadetmektedir.
Author: Polat, Tuğçe
Language: Turkish
Subfield: Cognitive Neuroscience
Field: Neuroscience
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7225441491
