No abstract

No abstract

No abstract

No abstract

Brain computer interfaces which are developed for the rehabilitation systems decode motor imagery EEG signals to control external devices. However, the extraction of the features from the EEG imagery signals and classification of it is an important problem. In this paper, common spatial pattern analysis, which is widely used in motor image applications, was preferred for getting features. As a classifier, the accuracy performances of Artificial neural network (%93), Convolutional Neural Network (%91), Support Vector Machine (%84) and K-Nearest Neighbour Algorithm (%90) were compared. As a result of the comparison, Artificial Neural Network method was the most successful classifier with %93.9 accuracy.

ÖzElektroensefalografi beyindeki elektriksel akımın ölçülmesi ile elde edilen sinyallerdir. Bu sinyallerin sınıflandırılması özellikle beyin sinyalleri ile ilgili rahatsızlıkların teşhis, tanı ve tedavisine katkı sağladığı için önemlidir. Bu çalışmada bu alanda epilepsi hastalığının tanısı için en çok kullanılan veri kümesi olan Bonn Üniversitesi veri kümesi kullanılmıştır. Beş farklı denekten alınan sinyallerden oluşan bu veri kümesinden anlamlı sonuçlar elde edebilmek için öncelikle veri temizleme, öznitelik çıkarma ve öznitelik seçme yöntemleri kullanılmıştır. Daha sonra bu yöntemler sınıflandırma başarısına katkıları açısından kıyaslanmıştır. İlk olarak filtrelenen veriden Ayrık Dalgacık Dönüşümü metodu ile istatistiksel özellikler çıkarılmış, ardından Diferansiyel Evrim Algoritması kullanılarak en iyi sınıflandırma sonucunu veren öznitelik alt kümesi seçilmiştir. Seçilen özniteliklere sahip veri kümesinin sınıflandırma başarısı Destek Vektör Makineleri ile test edilmiştir. Kullanılan yöntem ile bazı sınıfların ayrılmasında literatürdeki benzer çalışmalardan daha iyi sonuçlar elde edilmiştir. Bazı ikili ve üçlü kümelerin sınıflandırılmasında sırasıyla 0,98 ve 0,94 doğruluk oranları elde edilmiştir.

Fetal electrocardiogram (fECG) is a signal that contains vital information about the health of the fetus throughout pregnancy. During pregnancy, it is important to monitor and analyse this signal because it represents the electrical activity of the developing fetal heart. Early detection of fetal ECG problems during the fetus' development is crucial because it allows early treatment and provides knowledge about diseases that may emerge at a later time. Extraction of fetal ECG from the abdomen ECG signal is valuable in these aspects. In order to extract the fetal ECG from the recorded abdomen ECG signals correctly, it must be handled appropriately. It could be challenging to separate the fetal ECG signal from other physiological artifacts and noises in the mother abdominal signal. In this study, signal processing techniques were used to separate the fetus ECG signal from real abdominal ECG recordings. These methods include Ensemble Empirical Based Denoising, Finite Impulse Response Filter, Independent Component Analysis, and Pan & Tompkins approach. The results show that utilizing only the ICA technique to extract fECG signals is insufficient and that additional algorithms, such as those indicated above, should be used together. The mECG and fECG signals can be successfully extracted using the suggested approach.

No abstract