Ballı, Tuğçe
Loading...
Name Variants
T. Ballı
Ballı, TUĞÇE
Altuğlu T.
Altuǧlu T.
Ballı, T.
Balli, Tugce
B., Tugce
Tugce, Balli
TUĞÇE BALLI
Tuğçe Ballı
BALLI, Tuğçe
B., Tuğçe
Ballı T.
Ballı, Tuğçe
Ballı,T.
Balli T.
Balli,Tugce
Balli,T.
B.,Tugce
Tuğçe BALLI
BALLI, TUĞÇE
Ballı, TUĞÇE
Altuğlu T.
Altuǧlu T.
Ballı, T.
Balli, Tugce
B., Tugce
Tugce, Balli
TUĞÇE BALLI
Tuğçe Ballı
BALLI, Tuğçe
B., Tuğçe
Ballı T.
Ballı, Tuğçe
Ballı,T.
Balli T.
Balli,Tugce
Balli,T.
B.,Tugce
Tuğçe BALLI
BALLI, TUĞÇE
Job Title
Dr. Öğr. Üyesi
Email Address
tugce.balli@khas.edu.tr
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Scholarly Output
3
Articles
3
Citation Count
0
Supervised Theses
0
3 results
Scholarly Output Search Results
Now showing 1 - 3 of 3
Article Citation Count: 0Decoding Functional Brain Data for Emotion Recognition: A Machine Learning Approach(Assoc Computing Machinery, 2024) Tulay, Emine Elif; Balli, TugceThe identification of emotions is an open research area and has a potential leading role in the improvement of socio-emotional skills such as empathy, sensitivity, and emotion recognition in humans. The current study aimed at using Event Related Potential (ERP) components (N100, N200, P200, P300, early Late Positive Potential (LPP), middle LPP, and late LPP) of EEG data for the classification of emotional states (positive, negative, neutral). EEG datawere collected from 62 healthy individuals over 18 electrodes. An emotional paradigm with pictures from the International Affective Picture System (IAPS) was used to record the EEG data. A linear Support Vector Machine (C = 0.1) was used to classify emotions, and a forward feature selection approach was used to eliminate irrelevant features. The early LPP component, which was the most discriminative among all ERP components, had the highest classification accuracy (70.16%) for identifying negative and neutral stimuli. The classification of negative versus neutral stimuli had the best accuracy (79.84%) when all ERP components were used as a combined feature set, followed by positive versus negative stimuli (75.00%) and positive versus neutral stimuli (68.55%). Overall, the combined ERP component feature sets outperformed single ERP component feature sets for all stimulus pairings in terms of accuracy. These findings are promising for further research and development of EEG-based emotion recognition systems.Article Citation Count: 0Comparative Classification Performances of Filter Model Feature Selection Algorithms in Eeg Based Brain Computer Interface System(Gazi Univ, Fac Engineering Architecture, 2023) Bulut, Cem; Balli, Tugce; Yetkin, E. FatihBrain-computer interface (BCI) systems enable individuals to use a computer or assistive technologies such as a neuroprosthetic arm by translating their brain electrical activity into control commands. In this study, the use of filter-based feature selection methods for design of BCI systems is investigated. EEG recordings obtained from a BCI system designed for the control of a neuroprosthetic device are analyzed. Two feature sets were created; the first set was band power features from six main frequency bands (delta (1.0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta (12-25 Hz), high-beta (25-30Hz) and gamma (30-50 Hz)) and the second set was band power features from ten frequency sub-bands (delta (1-4 Hz), theta (4-8 Hz), alpha1 (8-10 Hz), alpha2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gamma1 (30-35 Hz), gamma2 (35-40 Hz), gamma3 (40-50 Hz)). Ten filter-based feature selection methods are investigated along with linear discriminant analysis, random forests, decision tree and support vector machines algorithms. The results indicate that feature selection methods leads to a higher classification accuracy and eigen value centrality (Ecfs) and infinite feature selection (Inffs) methods have consistently provided higher accuracy rates as compared to rest of the feature selection methods.Article Citation Count: 1Filtre Modelli Öznitelik Seçim Algoritmalarının Eeg Tabanlı Beyin Bilgisayar Arayüzü Sistemindeki Karşılaştırmalı Sınıflandırma Performansları(2023) Bulut, Cem; Ballı, Tuğçe; Yetkin, E. FatihBeyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.
