HAYRİYE DÖNMEZ2025-08-272021https://gcris.yasar.edu.tr/handle/123456789/444İnsan-makine arayüz çalışmaları için yardımcı teknolojiler, günümüz teknolojisinin önemli araştırma alanlarından biridir. Bu etkileşim mekanizması için duygu algısı, arayüz ve kişi ile iletişimi sağlamak için değerli gereksinimlerden biridir. Duygu sınıflandırma çalışmaları gelişen bir alandır ve araştırmacılar tarafından çeşitli yaklaşımlar önerilmiştir. Literatürde duygu tanımı temel olarak iki teoriye göre verilmektedir. Bu çalışmada, dairesel model ve boyutlu model temelli yaklaşımlar olan bu görüşler incelenmiştir. EEG sinyalleri doğrusal ve durağan olmayan özelliklere sahip olduğundan literatürde birçok öznitelik çıkarma ve sınıflandırma algoritması uygulanmaktadır. Ayrıca, derin öğrenme modelleri son yıllarda çeşitli veri türleri için önemli bir doğruluğa ulaştığından, Evrişimsel Sinir Ağları (ESA) algoritmaları incelenerek duygu sınıflandırması için doğru sonuçlar elde edilmesi hedeflenmiştir. Tezimizde üç farklı çalışma gerçekleştirilmiştir. İlk çalışma, spektrogram özelliklerini kullanarak ESA'lı ticari Neurosky EEG cihazı ile tek elektrotlu EEG kayıtlarının duygu sınıflandırma performansını araştırmaktadır. İkinci bir yaklaşım, genel kullanıma açık DEAP veri seti ile çok kanallı kayıtlar için spektrogram özelliklerini tekrar kullanmaktır. Son olarak, performansı iyileştirmek ve hesaplama karmaşıklığını azaltmak için tüm kanalların Fourier ve dalgacık dönüşümü özellikleri ESA ile sınıflandırılmıştır. Ayrıca bu tezde, ESA modelinin performansını anlamak ve sinyal dönüşümleri arasında güvenilir bir karşılaştırma yapmak amacıyla ham sinyal görüntü öznitelikleri kullanılmıştır. Assistive technologies for human-machine interface studies are one of the important research areas of the today's technology. Emotion perception for this interaction mechanism is one of the valuable requirements to provide communication with interface and person. Emotion classification studies are an improving field and several approaches have been proposed by the researchers. In the literature emotion definition mainly given according to two view. In this study, these views which are discrete emotion model and dimensional model-based approaches were examined. Since EEG signals have nonlinear and nonstationary characteristics, several feature extraction and classification algorithms applied in literature. Furthermore, deep learning models have reached significant accuracy for various types of data in recent years, thus, it was aimed to get accurate results for emotion classification by examining Convolutional Neural Networks (CNN) algorithms. In our thesis, three different study were accomplished. The first study investigates the emotion classification performance of single electrode EEG recordings with commercial Neurosky EEG device with CNN using spectrogram features. A second approach is to use spectrogram features again for multiple channel recordings with publicly accesible DEAP dataset. Finally, to improve the performance and reduce the computation complexity, Fourier and wavelet transform features of all channels were classified with CNN. To understand the performance of CNN model and make a reliable comparison with signal transformations, also raw signal image features used in this thesis.enMaster Thesis