EEG Sinyallerinde Wavelet Dönüşümü ve CNN ile Duygu Tanıma
Özet Görüntüleme: 71
/ 
PDF İndirme: 21
DOI:
https://doi.org/10.5281/zenodo.15088482Anahtar Kelimeler:
Elektroensefalografi, makine öğrenmesi, duygu tanıma, konvolüsyonel sinir ağıÖzet
Bu çalışmada farklı Wavelet Dönüşümü yöntemleri kullanılmıştır. Wavelet Dönüşümü katsayıları kullanılarak edilen öznitelikler ile yapay sinir ağları ve konvolüsyonel sinir ağları kullanılarak EEG sinyallerinde duygu tanıma yapılmıştır. Dört kişiden alınan üç farklı duyguya ait EEG sinyallerine ait dataseti kullanılmıştır. Stresli, nötr ve rahat duyguları sınıflama amacıyla kullanılmıştır. Sürekli wavelet dönüşümü (CWT), 1D ve 2D için ayrık wavelet dönüşümü (DWT) ve senkronize sıkıştırılmış wavelet dönüşümü (SSWT) ile elde edilen sonuçlar karşılaştırılarak EEG sinyallerinde duygu tanıma işlemi için uygun wavelet dönüşümü belirlenmeye çalışılmıştır. Senkronize sıkıştırılmış wavelet dönüşümünün (SSWT) en yüksek doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skoru ile duygu sınıflandırması için en etkili algoritma olduğu görülmüştür.
Referanslar
Akter, S., Prodhan, R.A., Pias, T.S., Eisenberg, D., Fresneda Fernandez, J., 2022. M1M2: deep-learning-based real-time emotion recognition from neural activity. Sensors, 22(21): 8467.
Albawi, S., Mohammed, T.A., Al-Zawi S., 2017. Understanding of a convolutional neural network. International Conference on Engineering and Technology, 21 Agust, pp. 1-6.
Anonim, 2015. Keras. (https://keras.io), (Accessed: 04.01.2025).
Anonim, 2020. ssqueezepy, (https://github.com/OverLordGoldDragon/ssqueezepy/), (Accessed: 04.01.2025).
Anonim, 2024. EEG Signal for stress detection, (https://www.kaggle.com/datase ts/ishan8055/eeg-signal-for-stress-dete ction), (Accessed: 04.01.2025).
Bajaj, N., 2020. Wavelets for EEG analysis. Wavelet Theory, 1-16.
Daubechies, I., Lu, J., Wu, H.T., 2011. Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool. Applied and Computational Harmonic Analysis, 30(2): 243-261.
Fieres, J., Schemmel, J., Meier, K., 2006. Training convolutional networks of threshold neurons suited for low-power hardware implementation. IEEE International Joint Conference on Neural Network, Proceedings Book, pp. 21-28.
Ghosh, A., Sufian, A., Sultana, F., Chakrabarti, A., De, D., 2020. Fundamental concepts of convolutional neural network. Recent Trends and Advances in Artificial Intelligence and Internet of Things, 519-567.
Hunter, J.D., 2007. Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(03): 90-95.
Lee, H.K., Choi, Y.S., 2019. Application of continuous wavelet transform and convolutional neural network in decoding motor imagery brain-computer interface. Entropy, 21(12): 1199.
Lee, G., Gommers, R., Waselewski, F., Wohlfahrt, K., O'Leary, A., 2019. PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software, 4(36): 1237.
Mallat, S.G., 1989. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7): 674-693.
McKinney, W., 2010. Data structures for statistical computing in Python. SciPy, 445(1): 51-56.
Ozdemir, M.A., Degirmenci, M., Izci, E., Akan, A., 2021. EEG-based emotion recognition with deep convolutional neural networks. Biomedical Engineering/Biomedizinische Technic, 66(1): 43-57.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Duchesnay, É., 2011. Scikit-learn: Machine learning in Python. The Journal of Machine Learning Research, 12: 2825-2830.
Saranya, K., Sudharson, D., Gokila, N.M., Lakshmipriya, S.R., Suriyavathi, K.A.K., 2023. Emotion Recognition using EEG Signal Classification of seed Dataset. 2nd International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation (ICAECA), Proceedings Book, pp. 1-6.
Vijayan, A.E., Sen, D., Sudheer, A.P., 2015. EEG-based emotion recognition using statistical measures and auto-regressive modeling. IEEE International Conference on Computational ıntelligence & Communication Technology, pp. 587-591.
Virtanen, P., Gommers, R., Oliphant, T.E., Haberland, M., Reddy, T., Cournapeau, D., Van Mulbregt, P., 2020. SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17(3): 261-272.
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Yayımlanan makalenin telif hakları yazarına aittir.
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
Dergimizde yayımlanan makaleler, 