SavedAdd your journal

Journals / Dicle Tıp Dergisi / 2026 / Cilt: 46 Sayı: 1

Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması

Onursal Çetin0000-0001-5220-3959
Feyzullah Temurtaş0000-0002-3158-4032
Pages
19–25
Publication Date
2019-03-03
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Amaç: Bu çalışmanın amacı, beyin aktivitesini çözmek için Manyetoensefalografi (MEG) sinyallerini yapay sinir ağı ile sınıflandırmaktır.
📊
Key Findings & Data:Riemannian yaklaşımı ile sinyallerin öznitelikleri çıkarılmış ve 10 katlı çapraz doğrulama tekniği ile GRSA’nın doğruluğu hesaplanmıştır.
💡
Conclusion & Impact:Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Manyetoensefalografi · Genelleştirilmiş regresyon sinir ağı · Sınıflandırma

Özet

Amaç: Bu çalışmanın amacı, beyin aktivitesini çözmek için Manyetoensefalografi (MEG) sinyallerini yapay sinir ağı ile sınıflandırmaktır. Yöntemler: MEG sinyallerini sınıflandırmak için Genelleştirilmiş Regresyon Sinir Ağı (GRSA) kullanılmıştır. Riemannian yaklaşımı ile sinyallerin öznitelikleri çıkarılmış ve 10 katlı çapraz doğrulama tekniği ile GRSA’nın doğruluğu hesaplanmıştır. Bulgular: Çalışmada 9 kız, 7 erkek bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır. Her bireye yaklaşık 588 uyaran gösterilmiştir ve böylece tüm veri seti 9414 uyarandan oluşmaktadır. Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir. Bu çalışma ve aynı MEG veri setini kullanan diğer çalışmalar tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak sunulmuştur. Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.

🔖

Cite This Article

Çetin, O., Temurtaş, F. (2019). Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Tıp Dergisi, Cilt: 46 Sayı: 1, 19–25. https://doi.org/10.5798/dicletip.534819

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (27)

  1. Bascil MS, Tesneli AY, Temurtas F. A study on analog and digital EEG signal filtering for brain computer ınterfaces (BCI). Electronic Letters on Science&Engineering 2014; 10: 1-10.
  2. Olivetti E, Kia SM, Avesani P. MEG decoding across subjects. International Workshop on Pattern Recognition in Neuroimaging 2014; doi: 10.1109/PRNI.2014.6858538.
  3. Caliskan A, Yuksel ME, Badem H, Basturk A. A deep neural network classifier for decoding human brain activity based on Magnetoencephalography. Elektronika ir Elektrotechnika 2017; 23: 63-7.
  4. Cetin O, Temurtas F. Öğrenmeli vektör kuantalama ile beyin bilgisayar arayüzü üzerine bir çalışma. Sakarya University Journal of Computer and Information Sciences 2018; 1: 1 7.
  5. Gulbag A, Temurtas F. A study on quantitative classification of binary gas mixture using neural networks and adaptive neuro-fuzzy inference systems. Sensors and Actuators B 2006; 115: 252-62.
  6. Abadi MK, Subramanian R, Kia SM, Avesani P, Patras I, Sebe N. DECAF: MEG-based multimodal database for decoding affective physiological responses. IEEE Trans. Affective Computing 2015; 6: 209-22.
  7. Chan AM, Halgren E, Marinkovic K, Cash SS. Decoding word and category-specific spatiotemporal representations from MEG and EEG. NeuroImage 2011; 54: 3028-39.
  8. Daliri MR. A hybrid method for the decoding of spatial attention using the MEG brain signals. Biomedical Signal Processing and Control 2014; 10: 308-12.
  9. Kia SM, Pedregosa F, Blumenthal A, Passerini A. Group-level spatio-temporal pattern recovery in MEG decoding using multi-task joint feature learning. Journal of Neuroscience Methods 2017; 285: 97-108.
  10. Huttunen H, Kauppi JP, Tohka J. Regularized logistic regression for mind reading with parallel validation. ICANN 2011 International Conference on Artificial Neural Networks, Pattern Analysis, Statistical Modelling and Computational Learning2 MEG Mind-Reading 2011; 20-24.
  11. Kia SM, Vega Pons S, Weisz N, Passerini A. Interpretability of multivariate brain maps in linear brain decoding: Definition, and heuristic quantification in multivariate analysis of MEG time-locked effects. Frontiers in Neuroscience 2017; 10: 619; doi: 10.3389/fnins.2016.00619
  12. Redcay E, Carlson TA. Rapid neural discrimination of communicative gestures. Social Cognitive and Affective Neuroscience 2015; 10: 545-51.
  13. Ursulean R, Lazar AM. Detrended cross-correlation analysis of biometric signals used in a new authentication method. Elektronika ir Elektrotechnika 2009; 89: 55-8.
  14. Raudonis V, Narvydas G, Simutis R. A classification of flash evoked potentials based on artificial neural network. Elektronika ir Elektrotechnika 2008; 81: 31-6.
  15. Barachant A, Bonnet S, Congedo M, Jutten C. Multiclass brain–computer interface classification by Riemannian geometry. IEEE Trans. Biomedical Engineering 2012; 59: 920-28.
  16. Yger F, Berar M, Lotte F. Riemannian approaches in brain computer interfaces: a review. IEEE Trans. Neural Systems and Rehabilitation Engineering 2017; 25: 1753-62.
  17. Henson RN, Wakeman DG, Litvak V, Friston KJ. A parametric empirical Bayesian framework for the EEG/MEG inverse problem: generative models for multi-subject and multi-modal integration. Frontiers in Human Neuroscience 2011; 5: 76.
  18. Cetin O, Temurtas F, Gulgonul S. An application of multilayer neural network on hepatitis disease diagnosis using approximations of sigmoid activation function. Dicle Medical Journal 2015; 42: 150-7.
  19. Ulaşabileceği adres: https://www.kaggle.com/c/decoding-the-human-brain
  20. Moakher M. A differential geometric approach to the geometric mean of symmetric positive-definite matrices. SIAM Journal on Matrix Analysis and Applications 2005; 26: 735-47.
  21. Ulaşabileceği adres: https://github.com/alexandrebarachant/covariancetoolbox
  22. Pennec X, Fillard P, Ayache N. A Riemannian framework for tensor computing. International Journal of Computer Vision 2006; 66: 41-66.
  23. Specht DF. A general regression neural network. IEEE Transactions on Neural Networks 1991; 2: 568-76.
  24. Specht DF, Shapiro PD. Generalization accuracy of probabilistic neural networks compared with backpropagation networks. IJCNN-91-Seattle International Joint Conference on Neural Networks 1991;887-92; doi: 10.1109/IJCNN.1991.155296.
  25. Bascil MS, Cetin O, Er O, Temurtas F. Olasılıksal sinir ağının (PNN) parkinson hastalığının teşhisinde kullanılması. Electronic Letters on Science&Engineering 2012; 8: 1-10.
  26. Gorur K, Bozkurt MR, Bascil MS, Temurtas F. Glossokinetic potential based tongue-machine interface for 1-D extraction. Australas Phys Eng Sci Med 2018; 41: 379-91.
  27. Bascil MS, Oztekin H. A study on hepatitis disease diagnosis using probabilistic neural network. Journal of Medical Systems 2012; 36: 1603-6.