Publication: Beyin bilgisayar arayüzleri için hareket öncesi EEG örüntülerinin derin öğrenme yöntemi ile tespit edilmesi
Abstract
Beyin bilgisayar arayüzleri için hareket öncesi EEG örüntülerinin derin öğrenme yöntemi ile tespit edilmesi Bu çalışmada, EEG tabanlı motor imgeleme (MI) sınıflandırması için optimize edilmiş kısa süreli Fourier dönüşümü (STFT) özellik çıkarımı ile evrişimsel sinir ağları (CNN) ve Transformer tabanlı dikkat mekanizmalarını birleştiren hibrit bir derin öğrenme yaklaşımı önerilmektedir. Öncelikle STFT hiperparametreleri (pencere uzunluğu, adım boyutu, NFFT ve pencere türü) sistematik olarak değerlendirilmiş, ardından elde edilen zaman–frekans temsilleri CNN katmanları aracılığıyla yerel desenleri öğrenmekte ve Transformer katmanları ile uzun vadeli zamansal bağımlılıkları yakalamaktadır. Model, transfer öğrenme ve denek bazlı ince ayar stratejileriyle hem BCI Competition IV-2a hem de StrokeMI veri kümelerinde test edilmiştir. Deneysel sonuçlar, sınırlı sayıda kalibrasyon denemesiyle dahi anlamlı performans artışları sağlandığını göstermektedir. Önerilen yaklaşım, literatürde raporlanan bazı yöntemlerle karşılaştırılabilir veya daha yüksek denekler arası doğruluk elde etmiş olup, gerçekçi klinik senaryolarda kişiselleştirilmiş BCI sistemlerinin geliştirilmesi için umut vadetmektedir.
Deep learning-based detection of pre-movement EEG patterns for brain-computer interface applications In this study, a hybrid deep learning approach is proposed for EEG-based motor imagery (MI) classification, combining optimized short-time Fourier transform (STFT) feature extraction with convolutional neural networks (CNNs) and Transformer-based attention mechanisms. First, STFT hyperparameters (window length, hop size, NFFT, and window type) were systematically evaluated. The resulting time–frequency representations were then processed through CNN layers to capture local patterns, while Transformer layers modeled long-term temporal dependencies. The model was tested using transfer learning and subject-specific fine-tuning strategies on both the BCI Competition IV-2a and StrokeMI datasets. Experimental results demonstrated that meaningful performance gains could be achieved even with a limited number of calibration trials. The proposed method achieved comparable or higher inter-subject classification accuracy than some previously reported approaches and shows promise for the development of personalized BCI systems in realistic clinical scenarios.
Deep learning-based detection of pre-movement EEG patterns for brain-computer interface applications In this study, a hybrid deep learning approach is proposed for EEG-based motor imagery (MI) classification, combining optimized short-time Fourier transform (STFT) feature extraction with convolutional neural networks (CNNs) and Transformer-based attention mechanisms. First, STFT hyperparameters (window length, hop size, NFFT, and window type) were systematically evaluated. The resulting time–frequency representations were then processed through CNN layers to capture local patterns, while Transformer layers modeled long-term temporal dependencies. The model was tested using transfer learning and subject-specific fine-tuning strategies on both the BCI Competition IV-2a and StrokeMI datasets. Experimental results demonstrated that meaningful performance gains could be achieved even with a limited number of calibration trials. The proposed method achieved comparable or higher inter-subject classification accuracy than some previously reported approaches and shows promise for the development of personalized BCI systems in realistic clinical scenarios.
Description
Keywords
(CNN), Beyin-Bilgisayar Arayüzü (BBA), Brain-Computer Interface (BBA), Convolutional Neural Network, Deep Learning, Derin Öğrenme, El Hareketi, Electric engineering, Electronics engineering, Elektrik mühendisliği, Elektronik mühendisliği, Evrişimsel Sinir Ağı (ESA), Hand Movement, Kısa Süreli Fourier Dönüşümü (STFT), Short-Time Fourier Transform (STFT), Transfer Learning, Transfer Öğrenme