AI Summary & Key Takeaways
AI InsightThe results showed that the PNN model exhibited the highest performance with an accuracy rate of 95.05%.
📌 3 Key Takeaways
Abstract
Abstract of the corrected earlier paper: In this study, the features obtained using the Root Mean Square (RMS) method in EEG-based face recognition processes were analyzed with probabilistic neural networks (PNN), multilayer perceptrons (MLP), and random forest classifiers. The results showed that the PNN model exhibited the highest performance with an accuracy rate of 95.05%. On the other hand, the MLP and Random Forest models showed lower performance with an accuracy rate of 73.34% and 78.01%, respectively. These differences may be due to the variability in EEG topographic responses among individuals and the inability of these models to generalize the differences in the data well enough. The study emphasizes the importance of considering individual neural differences in EEG-based classification systems. It suggests that more personalized models should be developed to balance these differences in the future.
Özet
Düzeltme yapılan önceki makaleye ait öz: Bu çalışmada, EEG tabanlı yüz tanıma işlemlerinde Kök Ortalama Kare (RMS) yöntemi kullanılarak elde edilen özellikler olasılıksal sinir ağları (PNN), çok katmanlı algılayıcılar (MLP) ve rastgele orman sınıflandırıcıları ile analiz edilmiştir. Sonuçlar, PNN modelinin %95.05 doğruluk oranıyla en yüksek performansı sergilediğini göstermiştir. Öte yandan, MLP ve Rastgele Orman modelleri sırasıyla %73.34 ve %78.01 doğruluk oranıyla daha düşük performans göstermiştir. Bu farklılıklar, bireyler arasındaki EEG topografik tepkilerinin değişkenliğinden ve bu modellerin verilerdeki farklılıkları yeterince iyi genelleştirememesinden kaynaklanıyor olabilir. Çalışma, EEG tabanlı sınıflandırma sistemlerinde bireysel sinirsel farklılıkların dikkate alınmasının önemini vurgulamaktadır. Gelecekte bu farklılıkları dengelemek için daha kişiselleştirilmiş modellerin geliştirilmesi gerektiğini önermektedir.