Sample selection for engagement-related EEG recordings
| dc.contributor.advisor | Yıldırım, Esen | |
| dc.contributor.author | Arslan, Mustafa Turan | |
| dc.date.accessioned | 2025-04-09T09:23:25Z | |
| dc.date.available | 2025-04-09T09:23:25Z | |
| dc.date.issued | 2025 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description | Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description | Embargoed Access: 04.07.2027 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır. | |
| dc.description.abstract | Traditional approaches to improving EEG classification performance have predominantly focused on feature selection techniques. However, alongside selecting appropriate features, the presence of relevant samples within the dataset plays an equally critical role in boosting classification success. This thesis proposes a novel approach for sample selection from EEG data. To facilitate a robust evaluation of the proposed method, a task-specific EEG dataset was constructed, and the performance of the developed sample selection algorithm was systematically assessed within this framework. EEG dataset was collected from 20 healthy university students and graduates (15 males, 5 females) residing in Adana and Hatay, Turkey. Following data collection, a Continuous Wavelet Transform (CWT) analysis was performed, resulting in two sets of data: Feature-Data (FD) and Task-Engagement-Index (TEI) data, which were subsequently used for classification. To apply sample selection to the dataset, we employed the newly proposed Relief-based Sample Selection (RbSS) algorithm. Primarily, k-Nearest Neighbor (kNN) classification on the raw Feature-Data (FD) without sample selection achieved an accuracy rate of 79.20%. Applying the RbSS algorithm to the FD data demonstrably increased classification accuracy to 79.74%. To improve the classification of Feature-Data (FD), a subsequent sample selection study focused on using TEI data. This two-stage approach involved an initial selection of samples based on the TEI data, followed by the selection of corresponding FD samples based on the index values of the selected TEI data samples. This strategy, incorporating TEI data, yielded a higher classification accuracy of 80.26%. | |
| dc.description.abstract | EEG sınıflandırma performansını artırma yönündeki geleneksel yaklaşımlar, genellikle öznitelik seçim yöntemleri üzerine odaklanmıştır. Ancak, uygun öznitelikleri seçmenin yanı sıra, verisetindeki görevle ilgili örneklerin varlığı da sınıflandırma başarısını artırmada kritik bir rol oynar. Bu tez çalışmasında, EEG verilerinden örnek seçimine yönelik yeni bir yaklaşım önerilmektedir. Çalışma kapsamında, sınıflandırma sürecini desteklemek amacıyla görev odaklı bir veri seti oluşturulmuş ve geliştirilen örnek seçimi algoritmasının performansı bu veri seti üzerinde değerlendirilmiştir. EEG kayıtları, Adana ve Hatay'da ikamet eden 20 sağlıklı üniversite öğrencisinden ve mezunlarından (15 erkek, 5 kadın) toplanmıştır. EEG verilerine Sürekli Dalgacık Dönüşümü (CWT) uygulanarak Öznitelik Verileri (ÖV) ve Görev Katılım Endeksi (TEI) verileri olmak üzere iki farklı veri seti elde edilmiştir. ÖV veri setinden örnek seçimi yapmak için, yeni önerilen Relief-Tabanlı Örnek Seçimi (RTÖS) algoritması kullanılmıştır. Öncelikle, örnek seçimi olmadan ham Öznitelik Verilerine uygulanan k-en yakın komşu yöntemi ile sınıflandırma doğruluğu %79.20 olarak bulunmuştur. Öznitelik Verilerine RTÖS algoritmasının doğrudan uygulanması sonucunda sınıflandırma doğruluğu %79.74 olarak artış göstermiştir. ÖV veri setinin sınıflandırmasını iyileştirmek için bir sonraki örnek seçim çalışmasında TEI verileri kullanılmıştır. Bu iki aşamalı yaklaşım, ilk aşamada TEI verilerine dayalı olarak örnek seçimini, ikinci aşamada ise seçilen TEI örneklerinin indekslerine karşılık gelen ÖV örneklerinin seçimini içermektedir. TEI verilerini temel alan bu strateji, %80.26 doğruluk oranına ulaşarak en yüksek sınıflandırma başarısını sağlamıştır. | |
| dc.identifier.endpage | 81 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14669/4238 | |
| dc.identifier.yoktezid | 948085 | |
| dc.language.iso | en | |
| dc.publisher | Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/embargoedAccess | |
| dc.snmz | KA_20241211 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | |
| dc.subject | Computer Engineering and Computer Science and Control | |
| dc.subject | Elektrik ve Elektronik Mühendisliği | |
| dc.subject | Electrical and Electronics Engineering | |
| dc.title | Sample selection for engagement-related EEG recordings | |
| dc.title.alternative | Odaklanmayla ilgili EEG kayıtlarından örnek seçimi | |
| dc.type | Doctoral Thesis |
