12-14 Ekim 2017 / TRABZONKaradeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği12-14 Ekim 2017 / TRABZON

Karadeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği

22

Biyomedikal Sinyal İşleme 1 12 Ekim 2017 - 14.50-16.00 - Salon A

Çok Değişkenli Senkroskştrma Yöntemi Kullanlarak EEG Sinyallerinde Duygu Durum

Snflandrma Emotion Recognition Classification in EEG

Signals Using Multivariate Synchrosqueezing Transform

Pnar Özel1, Aydn Akan2, Bülent Ylmaz3 1Elektrik-Elektronik Mühendisliği Bölümü,Nevşehir Hac Bektaş Veli Üniversitesi,Nevşehir,Türkiye

pinarozel@nevsehir.edu.tr 2Biyomedikal Mühendisliği Bölümü, İzmir Katip Çelebi Üniversitesi, İzmir, Türkiye

aydin.akan@ikc.edu.tr 3Elektrik-Elektronik Mühendisliği Bölümü, Abdullah Gül Üniversitesi,Kayseri, Türkiye

bulent.yilmaz@agu.edu.tr

Özetçe—Elektrofizyolojik veri işleme hem zaman hem frekans bölgelerinde ayr ayr olabileceği gibi birleşik zaman-frekans bölgesinde de yaplabilmektedir. Ksa Zamanl Fourier Dönüşümü ve Dalgack Dönüşümü gibi yöntemler genellikle zaman-frekans analiz yöntemleri olarak kullanlr. Bu yöntemlerdeki kstlamalar senkroskştrma ve çok değişkenli senkroskştrma gibi yöntemlerin kullanlmas gereksinimi ortaya çkarmştr. Burada önerilen çalşmada, literatürdeki çoğu yöntemden daha iyi sonuç veren çok değişkenli senkroskştrma yöntemi ile, çok kanall EEG sinyalleri ile değerlik, aktivasyon ve basknlk duygu boyutlarnda SVM kullanlarak yaplan snflandrmada srasyla, %88,9, %77,8, %80,6 doğruluk oranlar elde edilmiştir.

Anahtar Kelimeler — duygu durum analizi; EEG; çok değişkenli senkroskştrma yöntemi.

Abstract— Electrophysiological data processing can take place both in time and in frequency domains as well as in the joint time-frequency domain. Short Time Fourier Transform and Wavelet Transform are commonly used time-frequency analysis methods. The limitations of these methods initiated the use of methods such as synchrosqueezing and multivariate synchrosqueezing methods. In our proposed method 88.9%, 77.8%, 80.6% accuracy rates were obtained respectively for the valence, activation and dominance parameters using and multivariate synchrosqueezing methods and support vector machines(SVM) which yields better results than most of the other methods mentioned in the literature.

Keywords —emotion recognition; EEG; multivariate sychrosqueezing transform.

I. GİRİŞ

Duygular, sosyal etkileşim, idrak ve davranşmz etkilediği için günlük hayatmzda önemli bir rol üstlenir. Duygular insan-bilgisayar etkileşimini(IBE) koordine eden duygusal hesaplama(affective computing) alan açsndan ele aldğmzda, duygular ve duygulara ait bilgiler önemli ölçüde gelişim göstermektedir. IBE’de, insan insan etkileşimi gibi duygusal zekaya sahip olmaya ihtiyaç duyar. Duygu durum analizi yöntemleri, yüz ifadesi [1], ses [2] ve kalp atş hz [3] ve galvanik cilt yant (GSR) [4] gibi fizyolojik sinyaller kullanlarak araştrlmştr. Merkezi sinir sistemi sinyalleri, elektroensefalografi (EEG), magnetoensefalogram (MEG), pozisyon emisyon tomografisi (PET) ve fonksiyonel manyetik rezonans görüntüleme (fMRI)), otonom sinir sisteminden (ANS) periferik olarak elde edilen fizyolojik sinyallerle karşlaştrldğnda [5] daha güvenilir sonuçlar vermektedir.

Elektroensefalografi (EEG), beyin bilgisayar arayüzünü gerçekleştirmek için temel bir yöntemdir. Uygun EEG sensörleri vastasyla uzamsal olarak toplanan beyin sinyalleri, genellikle Fourier ve Dalgack Dönüşümü tabanl yöntemler kullanlarak işlenir. Normalde, EEG verileri doğas gereği durağan değildir ve bu nedenle daha uygun zaman -frekans analizini uygulamak nispeten zordur. İlk akla gelen bilinen yöntemlerden biri Ksa Zamanl Fourier Dönüşümüdür (KZFD), ancak KZFD

978-1-5386-0633-9/17/$31.00 ©2017 IEEE

12-14 Ekim 2017 / TRABZONKaradeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği12-14 Ekim 2017 / TRABZON

Karadeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği

23

12 Ekim 2017 - 14.50-16.00 - Salon ABiyomedikal Sinyal İşleme 1

Heisenberg belirsizlik ilkesi dolaysyla zaman-frekans gösteriminin çözünürlüğünün snrlandrlmas ve her ksa zaman periyodunda nöral verilerin durağanlğn garanti edememesinden dolay çok fazla belirleyici değildir [6] [7]. Bunun dşnda dalgack dönüşümü ise veri uyarlamal sinyal analiz yöntemi olarak varsaylmaktadr. Ancak sinyal ayrştrmas için ana dalgack başlkl basit fonksiyonu kullanmas ve zaman-frekans çözünürlüğü sorunu, yani, yüksek frekanslarda daha düşük frekans çözünürlüğü ve düşük frekanslarda daha yüksek çözünürlük ile karş karşya bulunmas dezavantajdr. Dalgack analizi ana dalgack seçimine de dayanr. Analiz edilen sinyal ile koordine edilmeden isteğe bağl ana dalgackbelirlenmesi durumu hatal sonuçlara sebep olabilir [8].

Senkroskştrma dönüşümü (SSD) [9] doğrusal ve durağan olmayan sinyallerin sürekli dalgack dönüşümü (SDD) sonras işlem devam uygulayp lokalize zaman-frekans gösterimlerini sunan bir yöntemdir. Senkroskştrma dönüşümü, KFZD ve SDD gibi zaman frekans algortimalarna dayal lineer gösterim kstlamalarn çözebilmiştir [7]. SSD’nin amac, KZFD ve SDD enerjilerini, müteakip enerjilerinin katsaylarn modüle edilmiş salnmlarn anlk frekans eğrileri etrafnda yoğunlaştğ bir değere yeniden atamaktr [10]. Zaman-frekans gösteriminde frekans yeniden atama yöntemi, zaman-frekans uzaynda sinyal bileşenlerinin önemli lokalizasyonunu oluşturur [11] [7]. Zaman-frekans teorisindeki son gelişmeler, senkronskştrma dönüşümü’nün yansra, Görgül Kip Ayrştrmas (GKA) gibi yüksek çözünürlüklü veri güdümlü algoritmalarn geliştirilmesine neden olmuştur [12]. Dolaysyla, SSD lokalize zaman-frekans gösterimleri üreterek GKA'yi genişletmesi ve kesin olarak anlaşlan bir teorik temelli bilgi vermesi ile [7] [13] son zamanlarda sunulan GKA algoritmas için başka bir alternatiftir [9]. Bu algoritmalardan her ikisi de geleneksel doğrusal ve kuadratik zaman-frekans algoritmalarna kyasla zamanla değişen salnml bileşenleri temsil eden gelişmiş lokalizasyon sağlar. Bununla birlikte, düşük maliyetli çok kanall sensör teknolojisinin gelişmesiyle, çok değişkenli veriler için ortaya çkabilecek kanallar aras bağmllklarn kullanlabilmesi için zaman-frekans algoritmalarnn çok değişkenli uzantlar gereklidir [14]. [10] tarafndan geliştirilen SSD'ye dayanan çok değişkenli yeni bir zaman-frekans algoritmasnda, [15] [16] [17] da geliştirilen ilkelere dayanlarak, çok kanall sinyallerin kompakt bir zaman-frekans gösterimini üretilmiştir.

Bu çalşma, duygu durum analizi için çok değişkenli senkroskştrma dönüşümü (ÇDSSD) yöntemini kullanarak, hem çok değişkenli veriler için ortaya çkabilecek kanallar aras bağmllklardan faydalanmay, hemde senkroskştrma dönüşümü mantğndaki sraya dizilen senkroskştrma katsaylarn snflandrma aşamasnda, zaman frekans ekseninde kullanlan yöntemlere göre snflandrma sonuçlarn arttracak şekilde yeni alternatif getirmeyi amaçlamştr.

II. YÖNTEM

A. Senkroskştrma Dönüşümü

Senkroskştrma, kompleks sistemlerde sinyallerin osilasyon bileşenlerini çkarmak, karşlaştrmak ve zaman frekans ekseninde daha net gösterimler elde etmek için tasarlanmş bir yöntemdir. Zaman içinde değişen davranş ile sinyaller analiz için güçlü bir araç sunar ve sinyallerin içerik bileşenlerinin yaps için fikir verebilir. x(t) sinyal olmak üzere genel formu aşağdaki gibi belirtilir.

�(t) = ∑ x��

��� (t) + e(t) (1)

Buna göre, her bileşen xk(t) = Ak(t) cos(∅k(t)), zamanla değişen genlik ve frekans sahip, e(t) gürültüyü temsil etmek üzere bir osilasyon fonksiyonudur. Amaç, burada, her bir k için, genlik faktörü Ak (t)’yi ve anlk frekans (IF) (∅k

1 (t)) elde etmektir. Senkroskştrma üç admda gerçekleşir. İlk olarak x(t)’nin sürekli dalgack dönüşümü W�(a, b) hesaplanr.

��(�, �) = � ��� �⁄ � ����� � �(�)�� (2)

İkinci aşamada, FM-demoduleli frekans w�(a, b)’nin başlangç tahmini Wx ’ in katks ile hesaplanr. Son olarak bu tahmin, yenidenatama yöntemi ile Wx’i skştrmak için kullanlr. Sonuç olarak, senkroskştrma gösterimi olan Tx(w,b) elde edilir. Senkroskştrma tersi alnabilir bir işlemdir; Tx’den “x” hesaplanabilir [1][2]. Çok değişkenli SSD Algoritmas (ÇDSSD):

1. Verilen N kanall çok değişkenli sinyal x(t) için, Tn (w,b) katsaylar elde etmek amacyla, SSD kanala göre uygulanr.

2. Zaman-frekans gösterimi için frekans ekseni boyunca bir dizi bölüm belirlenir, her bir frekans bölmesi için anlk frekans Ω��(b) ve anlk genlik A��(b) srasyla hesaplanr.

Ω��(�) =∑ |��(�, �)|������∑ |��(�, �)|�����

A��(b) = � � |��(�,�)|�����

(3)

(4)

12-14 Ekim 2017 / TRABZONKaradeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği12-14 Ekim 2017 / TRABZON

Karadeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği

24

Biyomedikal Sinyal İşleme 1 12 Ekim 2017 - 14.50-16.00 - Salon A

3. Srasyla çok değişkenli anlk frekans Ω������(b) ve anlk genlik A������(b) hesaplanr.

Ω������(�) =∑ ����(�)��Ω��� (�)����

∑ ����(�)������

�������(�) = ������(�)���

���

4. Çok değişkenli senkroskştrma katsays

T�����(w, b) belirlenir. [2]

B. t-Dağlml Stokastik Komşu Gömme

2008 ylnda [18] tarafndan yazlan t-SNE boyut indirgeme yöntemi en yeni yöntemlerden biri olup, Stokastik Komşu Gömme yönteminin bir varyasyonudur [19]. Optimize edilmesi çok daha kolay olmas ve grafik merkezinde birlikte kalabalk noktalara olan eğilimi azaltarak, daha iyi görselleştirme üretir. LDA ve PCA'ya kyasla oldukça yeni olmasna rağmen, diğer yöntemlerin zorlandğ yerlerde çok iyi çalştğ için, akademik çalşmalarda sklkla tercih edilir olmuştur. t-SNE doğrusal olmayan bir yöntemdir ve altta yatan ilişkinin doğrusal olmadğ veriler üzerinde daha iyi performans sergilemektedir. Bu yöntem, gözlemler arasndaki göreceli mesafeyi koruyan bir 2D düzlemi veya 3D katman oluşturur. C. Snflandrma

Bu çalşmada yüksek-düşük değerlik, aktivasyon, basknlk snflandrmas için snflandrc olarak Matlab Classification Learner Tool’unun içerdiği Destek Vektör Makinesi (İng Support Vector Machine), Karar Ağac (İng Decision Trees) , En Yakn Komşu Snflandrcs (İng Nearest Neigbor Classifier), Topluluk Snflandrcs (İng Ensemble Classifier) snflandrclarn seçilen versiyonlar kullanlmştr.

Destek Vektör Makinesi (DVM), snflandrma problemini kareli optimizasyon problemine dönüştürür ve uygulanmas sürecinde çekirdek fonksiyonu seçimi ve parametre optimizasyonu önemli rol oynamaktadr. Matlab Classification Learner Tool’da tahmin hz: lineer DVM için orta, diğerleri için yavaştr. Yorumlanabilirliği lineer DVM için kolay diğer çekirdekler (kernel) için zordur. Hafza kullanm lineer DVM için ortadr, diğerleri için çoklu snflarda orta, ikililerde geniştir [20] [21] [22].

Karar Ağac, yukardan aşağya, tekrarl bir şekilde böl ve kazan metoduna göre inşa edilir . Matlab Classification

Learner Tool’da tahmin hz yüksektir . Yorumlanabilirliği kolaydr. Hafza kullanm azdr [20] [23].

En Yakn Komşu Snflandrcs; sinyallerin snflandrlmasnda bir çok çalşmada kullanlan eğitimsiz ve temel bir snflandrma yöntemi olan Hassas k-NN kullanlmştr. Veriye en yakn k tane örneğin snfna baklarak snflandrmaya karar verilir. Matlab Classification Learner Tool’da tahmin hz kübik için yavaş diğerleri için ortadr. Yorumlanabilirliği zordur. Hafza kullanm ortadr [20] [22].

Topluluk Snflandrcsnda, ilki topluluk içindeki temel snflandrclarn başarlar, ikincisi ise temel öğrenicilerin kararlarnn birbirlerinden farkllğ olmak üzere iki temel kritere göre başar sağlanr. Matlab Classification Learner Tool’da tahmin hz algoritmann seçimine göre hzldan ortaya değişir. Yorumlanabilirliği zordur. Hafza kullanm algoritma seçimine göre az küçükten büyüğe doğru genişler [24] [20].

D. Önerilen Yöntem Basamaklar

Çalşmada kullanlan DEAP veri setinde kaydedilen EEG sinyalleri üzerinde, 12 kişinin ilk 3 şark srasndaki EEG sinyalleri dikkate alnarak, sağ frontal lob (Fp2, AF4, F4, F8, FC2, FC6, T8, C4), sol frontal lob (Fp1, AF3, F3, F7, FC1, FC5, T7, C3), sağ ve sol frontal lob farklar ve 2 adet merkez kanaldan (Fz, Cz) oluşan [12], toplam 26 veri (26*3*4032) olarak ÇDSSD algoritmasna giriş olarak verilmiştir. Algoritma sonucu, çok değişkenli senkroskştrma katsaylar alnp, her şark için, (26*2017*4033)’lik matrisler elde edilmiştir. Bu sonuçlar boyut azaltma amacyla t-SNE algoritmasna giriş olarak verildiğinde, her şark için (52442*2) olarak iki boyutlu bir matris elde edilmiştir. Sonrasnda bu matris (104884*1) olarak tek boyuta indirgenmiştir. Burada elde edilen dizi kompleks saylar içerdiğinden mutlak değeri alnarak gerçek sayl bir dizi oluşturulmuştur. Çalşmada kullanlan 12 kişinin verisi için 36*104884’lük bir giriş verisi oluşturulup (her şark alt alta gelecek şekilde) çkş matrisi oluşturulmuştur. Karşlğnda her etiket (değerlik-aktivasyon-basknlk) değeri için 1-9 aras değişen değerler >5 yada <5 durumuna göre yüksek ya da düşük değere sahip olduğu tespit edilmiş, en son etiket değerleri 0 ya da 1 olarak ayarlanmştr. (36*1)’lik üç çkş verisi olmak üzere; {veri=[çkş (etiket verisi (36*1) giriş (işlenmiş EEG sinyali (36*104884)]} olarak Matlab Classification Learner Tool paketinde seçilen snflandrclara göre performans değerlendirilmiştir.

III. SONUÇLAR VE DEĞERLENDİRME Sunulan çalşmada, duygu durum analizi için oluşturulan DEAP veri seti kullanlarak, EEG işaretlerinden değerlik, aktivasyon ve basknlk duygu

(5)

(6)

12-14 Ekim 2017 / TRABZONKaradeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği12-14 Ekim 2017 / TRABZON

Karadeniz Teknik Üniversitesi, Prof.Dr. Osman Turan Kongre Merkezi

Elektrik-Elektronik Mühendisliği BölümüBilgisayar Mühendisliği Bölümü

Biyomedikal ve KlinikMühendisliği Derneği

25

12 Ekim 2017 - 14.50-16.00 - Salon ABiyomedikal Sinyal İşleme 1

durumlarnn yüksek-düşük olarak snflandrmas yaplmştr. EEG işaretleri kullanlarak yaplan çalşmalarda, uyaranlarn snflandrma performans üzerindeki etkileri karşlaştrlmştr. Tablo I’de srasyla değerlik, aktivasyon ve basknlk boyutlarna ait her snf için sonuçlar verilmiştir. Sonuçlar incelendiğinde, Tablo 1’ de verilen değerlik ve basknlk boyutunda, farkl snflandrclarda elde edilen sonuçlar arasnda tatmin edici başar seviyeleri elde edilmiştir.

Yüksek-Düşük Değerlik Aktivasyon Basknlk Destek Vektör

Makinesi Lineer DVM

%88,9 %77,8 %80,6

Karar Ağac Ortalama Ağaç

%77,8 %63,9 %64,1

En Yakn Komşu Snflandrcs, Hassas k-NN

%78,7 %66,7 %80,6

Topluluk Snflandrcs

Alt Uzay Diskriminant

%75,0 %66,7 %58,3

Tablo 1. Değerlik, Aktivasyon ve Basknlk boyutlar için kullanlan snflandrclara göre snflandrma oranlar

Bundan sonraki çalşmalarda, veri setindeki bütün katlmclar ve kullannan şarklar snflandrma boyutlar birlikte dikkate alnp, snflandrma performans değerlendirilecektir.Önerilen yöntem ile elde edilen sonuçlar literatürdeki DEAP veritaban sonuçlar (yüksek/düşük uyarlma %62, yüksek/düşük değerlik %57, [12]’deki yüksek/düşük uyarlma %75, yüksek/düşük uyarlma %72, [25]’deki ise yüksek/düşük değerlik %72,33, yüksek/düşük uyarlma %74.20 sonuçlar ile karşlaştrldğnda önemli ölçüde başarl olduğu görülmektedir.

KAYNAKÇA [1] Daubechies, I., Lu,J., Wu,H.T., “Synchrosqueezed wavelet

transforms: an empirical mode decompositionlike tool”., Applied and Computational Harmonic Analysis, pp. 243-261, 2011.

[2] Ahrabian, A., Looney ,D., Stanković, L., Mandic, D.P., ”Synchrosqueezing-based time frequency analysis of multivariate data”, Signal Processing, pp. 331-341, 2015.

[3] Gunes,H.., Piccardi, M., “Fusing face and body display for bi-modal emotion recogniiton: Single frame analysis and multi-frame post integration”. ACII'05 Proceedings of the First international conference on Affective Computing and Intelligent Interaction, Beijing, 2005.

[4] Ayadi, M.E., Kamel, M.S., Karray, F., “Survey on speech emotion recognition: Features, classification schemes, and databases”, Pattern Recognitiont, pp. 572–587, 2011.

[5] Yu, S.N., Chen, S.F., “Emotion state identification based on heart rate variability and genetic algorithm”, 2015 37th Annual

International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC),, Milan, Italy , 2015.

[6] Liu, M. , Fan, D., Zhang, X., Gong, X., “Human Emotion Recognition Based on Galvanic Skin Response Signal Feature Selection and SVM” , International Conference on Smart City and Systems Engineering (ICSCSE), Hunan, China, 2016.

[7] Petrantonakis ,P.C., Hadjileontiadis,L.J., “Emotion recognition from EEG using higher order crossings”, IEEE Transactions on Information Technology in Biomedicine , pp. 186-197, 2010.

[8] Mallat, S., A Wavelet Tour of Signal Processing, Newyork: Academic Press, 1998.

[9] Auger,F., Flandrin,P., Lin,Y.T., McLaughin,S., Meignen,S., Oberlin,T., Wu,H.T., “Time-Frequecy Reassignment and Sycnchrosqueezing”, IEEE Signal Processing Magazine, pp. 32-41, 2013.

[10] Ali, S., Mst. Ferdou,J., Hamid,E., Molla, K.I., “Time-Frequency Coherence of Multichannel EEG Signals: Synchrosqueezing Transform Based Analysi”, International Journal of Computer Science Trends and Technology (IJCST), 2016.

[11] Auger, F., Flandrin, P., “Improving the readibility of time frequecny and time-scale representations by the reassignment method”, IEEE Transactions Signal Processing,, pp. 1068-1089, 1995.

[12] Mert, A., Akan, A., “Emotion recognition from EEG signals by using multivariate empirical mode decomposition” , Pattern Analysis and Applications, pp. 1-9, 2016.

[13] Wu, H.T., Adaptive Analysis of Complex Data Sets, Princeton University, Princeton, New Jersey, 2012.

[14] Ahrabian, A., Multivariate time-frequency analysis”, Imperial College London, London, 2014.

[15] Lilly, J.M., Olhede, S.C., “Wavelet ridge estimation of jointly modulated multivariate oscillations”, Conference Record of the Forty Third Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 2009.

[16] Lilly, J.M., Olhede, S.C ,”Analysis of modulated multivariate oscillations”, IEEE Transactions Signal Processing, pp. 600-612, 2012.

[17] Olhede, S., Walden ,A.T., ”The Hilbert spectrum via wavelet projections”, The Royal Society, pp. 955-975, 2004.

[18] Maaten, L.V.D., Hinton,G., ”Visualizing Data using t-SNE” , Journal of Machine Learning Research,, pp. 2579-2605, 2008

[19] Hinton, G.E., Roweis,S.T., “Stochastic Neighbor Embedding,” , Advances in Neural Information Processing Systems 15 (NIPS 2002), 2003.

[20] https://www.mathworks.com/help/stats/choose-a-classifier.html. [21] Ayhan, S. , Erdoğmuş,Ş.., “Destek Vektör Makineleriyle

Snflandrma Problemlerinin Çözümü için Çekirdek Fonksiyonu Seçimi”, Eskişehir Osmangazi Üniversitesi IIBF Dergisi,, pp. 175-201, 2014.

[22] Karakoyun, M., Hacbeyoğlu, M., “Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Snflandrma Algoritmalarnn İstatistiksel Olarak Karşlaştrlmas”, DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, cilt 16, pp. 30-42, 2014

[23] Jović, A., Brkić,K., Bogunović,N., “Decision Tree Ensembles in Biomedical Time-Series Classification”, Pattern Recognition. DAGM/OAGM 2012. Lecture Notes in Computer Science , Berlin, Heidelberg, 2012.

[24] Tartar, A., Akan, A., “Pulmoner Nodüllerin Malign-Benign Ayrmnda Topluluk Öğrenme Snflandrclarnn Başarm” ,IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014), Trabzon, Turkey, 2014.

[25] Hatamika, S., Maghooli, K., Nasrabadi., A.M., ” The emotion recognition system based on autoregressive model and sequential forward feature selection of electroencephalogram signals ”, Journal of Medical Signals and Sensors, cilt 4(3), 194-201, 2014