Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi

CÜCE, HÜSEYİN; Ugur, Oguzhan; Yuce, Yilmaz Kemal; Isler, Yalcin; SAYILGAN, EBRU

doi:10.17341/gazimmfd.664583

Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi

Hüseyin CÜCE, (Giresun Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği Bölümü, Giresun, Türkiye)

Ebru Sayılgan, (İzmir Katip Çelebi Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Teknolojiler Anabilim Dalı, İzmir, Türkiye)

Oğuzhan UĞUR, (Nevşehir Hacı Bektaş Veli Üniversitesi, Fen Bilimleri Enstitüsü, Çevre Mühendisliği Anabilim Dalı, Nevşehir, Türkiye)

Yılmaz Kemal Yüce, (Alanya Alaaddin Keykubat Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Antalya, Türkiye)

Yalçın İşler (İzmir Katip Çelebi Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Biyomedikal Mühendisliği Bölümü, İzmir, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

2 1

Yıl: 2021 Cilt: 11 Sayı: 1 Sayfa Aralığı: 593 - 606 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.664583 İndeks Tarihi: 29-07-2022

Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi

Öz:

Elektroensefalografi (EEG) beyin aktivitelerinin ölçümünü sağlayan ve girişimsel olmayan bir yöntemdir. Farklı EEG kayıt yöntemleri arasında, görsel bir uyaranın deneğe gösterilirken kayıt alınması yöntemi popüler çalışma yöntemleri arasındadır. Son zamanlarda görsel uyaranların belli bir frekansla gösterildiği durağan durum görsel uyaran potansiyeller (DDGUP) beyin bilgisayar arayüzlerinde (BBA) sıklıkla kullanılmaya başlanmıştır. Literatürde, DDGUP kayıtları analizi farklı öznitelikleri kullanılmışsa da, bu sinyallerin durağan olmayan yapısı gereği dalgacık dönüşümü tabanlı özniteliklerin kullanılması tercih edilmelidir. Bu çalışmada, DDGUP sinyalinden uyartım frekansının belirlenmesi için altı farklı ana dalgacık türünden çıkarılan temel öznitelikler sınıflandırıcıların girişlerine uygulanarak en yüksek sınıflandırıcı performansını veren dalgacık türü ve sınıflandırıcı kombinasyonu tespit edilmeye çalışılmıştır. DDGUP sinyallerinden altı farklı dalgacık fonksiyonu kullanılarak iyi bilinen beş EEG frekans bantlarına ait enerji, varyans ve entropi öznitelikleri çıkarılmıştır. Daha sonra bu öznitelikler altı temel sınıflandırma algoritmasına uygulanarak performansları karşılaştırılmıştır. Çalışma hem denekler için bireysel olarak hem de tüm denekler birlikte kullanılarak tekrarlanmıştır. Elde edilen sonuçlara göre (i) ANOVA ile öznitelik seçimi sınıflandırıcı performanslarını düşürmektedir, (ii) denekler tek olarak dikkate alındığında her denek için en yüksek başarıma ulaşan tek sınıflandırıcı ve ana dalgacık türü kombinasyonu bulunmamaktadır, (iii) tüm denekler birlikte değerlendirildiğinde topluluk sınıflandırma algoritması ile Reverse Biorthogonal ana dalgacığı kullanıldığında en yüksek sınıflandırıcı başarımına ulaşılmaktadır.

Anahtar Kelime: Sınıflandırıcı vaynas analizi öznitelik seçimi durağan-durum görsel-uyaran potansiyelleri dalgacık dönüşümü beyin-bilgisayar arayüzü

Nevşehir İlinde Karayolu Ulaşımından Kaynaklanan Sera Gazı Emisyonlarının Covid-19 Salgını Başlangıç Döneminde Değerlendirilmesi

Öz:

Hava kirliliğinin ve sera gazı emisyonlarının etkisi ile birlikte küresel ısınma ve iklim değişikliği uzun süredir dünyanın gündeminde yer almaktadır. Kyoto (1997) ve BM İklim Değişikliği Çerçeve Sözleşmesi kapsamında Paris Anlaşması (COP21, 2015) başta olmak üzere küresel iklimi koruma adına imzalanan protokoller ile üye ülkelerin sera gazı emisyon envanterlerinin oluşturulması ve sera gazı emisyonlarının azaltılması hedeflenmiştir. Bu çalışmada, Nevşehir İli karayolu ulaşımından kaynaklanan sera gazı emisyonlarının (CO2, CH4, N2O) Covid-19 salgını başlangıç döneminde (2020 Mart-Ekim) değerlendirilmesi amaçlanmıştır. Emisyonların hesabında, Hükümetler Arası İklim Değişikliği Paneli (IPCC) kılavuzunda yer alan ve ülkelere önerilen Tier 1 hesaplama metodolojisinden yararlanılmıştır. Hesaplamalarda Nevşehir İl’inde 2015-2020 yılları arasındaki (Mart-Ekim ayları boyunca) yakıt tüketim miktarları esas alınarak sera gazı emisyonları tespit edilmiştir. Sonuçlar benzin, motorin ve LPG akaryakıtlarının yanması sonucu oluşan gazlar dikkate alınarak karbon ayak izi hesabında kullanılan eşdeğer CO2 cinsinden bulunmuştur. Eşdeğer CO2 miktarı Gigagram (Gg) biriminde son 5 yılda sırasıyla, 2015 yılında 255,5 Gg, 2016 yılında 318,2 Gg, 2017 yılında 453,6 Gg, 2018 yılında 572,5 Gg, 2019 yılında 346,5 Gg, 2020 yılında 377,0 Gg’dır. Tüm Ülkede olduğu gibi Covid-19 tedbirleri sonucu Nevşehir kent genelinde azalan insan hareketliliği nedeniyle özellikle eşdeğer CO2 emisyonu 2020 yılı Mart-Ekim döneminde geçmiş yılların Mart-Ekim dönemi ortalamasından düşük olduğu görülmüştür.

Anahtar Kelime: hava kirliliği iklim değişikliği karayolu ulaşımı covid-19 Sera Gazı

Evaluation of Greenhouse Gas Emissions from Highway Transport in Nevşehir Province in the Beginning Period of the Covid-19 Pandemic

Öz:

With the impact of air pollution and greenhouse gas emissions, global warming and climate change have been on the world's agenda for a long time. With the protocols signed for global climate protection, including the Paris Agreement (COP21, 2015) within the scope of Kyoto (1997) and the UN Framework Convention on Climate Change, it is aimed to create greenhouse gas emission inventories and reduce greenhouse gas emissions of the member countries. In this study, it is aimed to evaluate the greenhouse gas emissions (CO2, CH4, N2O) originating from the highway transportation of Nevşehir Province in the beginning period of the Covid-19 epidemic (March-October 2020). Emissions are calculated using the Tier 1 calculation methodology included in the Intergovernmental Panel on Climate Change (IPCC) manual and recommended for countries in the calculation, fuel consumption amounts between the years 2015-2020 (March-October period) in Nevşehir Province were used. The results were found in terms of CO2 equivalent used in the carbon footprint calculation, taking into account the gases formed as a result of the burning of gasoline, diesel and LPG fuels. The equivalent amount of CO2 is 255.5 Gg in 2015, 318.2 Gg in 2016, 453.6 Gg in 2017, 572.5 Gg in 2018, 346.5 Gg in 2019, and 377.0 Gg in 2020. As in the whole country, due to the reduced human mobility in Nevşehir city-wide as a result of the Covid-19 measures, it was observed that the equivalent CO2 emission was lower than the average of the March-October period of previous years in the March-October period of 2020.

Anahtar Kelime: road transportation

Evaluation of wavelet features selected via statistical evidence from steady-state visuallyevoked potentials to predict the stimulating frequency

Öz:

Electroencephalography (EEG) is a noninvasive method to record brain activities. Among different EEG recording methods, the recording, while a visual stimulation is shown to the subject, is one of the most popular methods. Recently, steady-state visually-evoked potentials (SSVEP) where visual objects are blinking at a fixed frequency have been commonly-used method in brain-computer interfaces. Although various features extracted from SSVEP records have been used, the use of features from wavelet transform should be preferred due to the nonstationary structure of these signals. In this study, the combination of mother wavelet and classifier, which gives the highest accuracy to determine the stimulating frequency, is examined by applying common wavelet features to inputs of classifiers. Features of energy, variance, and entropy were extracted for well-known five EEG frequency bands using six different mother wavelets. Then, classifier performances of six basic classifiers were compared. This study was run for both each subjects individually and all subjects together. Results showed that (i) ANOVA-based feature selection reduces the performances, (ii) there is no unique combination of classifier and mother wavelet while evaluating each subject individually, (iii) the highest performance was achieved by combination of ensemble learner and Reverse Biorthogonal wavelet while evaluating all subjects together.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

Ali, H., Yılmaz, G., Fareed, Z., Shahzad, F., and Ahmad, M. (2021). Impact of novel coronavirus (COVID-19) on daily routines and air environment: evidence from Turkey. Air Quality, Atmosphere & Health, 14(3), 381-387.
1. Wolpaw J.R., Birbaumer N., Heetderks W.J., McFarland D.J., Peckham P.H., Schalk G., Donchin E., Quatrano L.A., Robinson C.J., Vaughan T.M., Brain-computer interface technology: a review of the first international meeting, IEEE Trans Rehabil Eng, 8, 164-173, 2000.
Cabré, A., Marinov, I., and Leung, S. (2015). Consistent global responses of marine ecosystems to future climate change across the IPCC AR5 earth system models. Climate Dynamics, 45(5), 1253-1280.
2. Vaughan T.M., Heetderks W.J., Trejo L.J., Rymer W.Z., Weinrich M., Moore M.M., Kubler A., Dobkin B.H., Birbaumer N., Donchin E., Wolpaw E.W., Wolpaw J.R., Brain-computer interface technology: a review of the second international meeting, IEEE Trans Neural Syst Rehabil Eng, 11 (2), 94-109, 2003.
Canitez, F. (2019). Pathways to sustainable urban mobility in developing megacities: A socio-technical transition perspective. Technological Forecasting and Social Change, 141, 319-329.
3. Gao X., Xu D., Cheng M., Gao S., A BCI-based environmental controller for the motion-disabled, IEEE Trans Neural Syst Rehabil Eng, 11 (2), 137-140, 2003.
Change, I. (2006). IPCC guidelines for national greenhouse gas inventories 2006. Institute for Global Environmental Strategies, Hayama, Kanagawa, Japan.
4. Bashashati A., Fatourechi M., A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals, J Neural Eng, 4, 32-57, 2007.
Change, I.C. (2007). The physical science basis. In: Cambridge Univ. Press.
5. Wang Y.J., Wang R.P., Gao X.R., et al., A practical VEP-based brain-computer interface, IEEE Trans Neural Syst Rehabil Eng, 14, 234-239, 2006.
Change, I.P.o.C., and I.P.o.C.W.G. (1990). Scientific Assessment of Climate Change: The Policymakers' Summary of the Report of Working Group I to the Intergovernmental Panel on Climate Change. World Meteorological Organization/United Nations Environment Programme
6. Bin G.Y., Gao X.R., Yan Z., Hong B., Gao S.K., An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method, J Neural Eng, 6, 046002, 2009.
Council, N.R. (2009). Informing decisions in a changing climate. National Academies Press.
7. Regan D., Human brain electrophysiology: evoked potentials and evoked magnetic fields in science and medicine, J Clin Neurophysiol, 7, 450-451, 1990.
Cüce, H., Kalıpcı, E., Taş B., ve Yılmaz M. (2020). Rakım farklılığı nedeniyle oluşan meteorolojik değişimlerin su kalitesine olan etkilerinin CBS ile değerlendirilmesi: Morfolojik olarak farklı iki göl için bir karşılaştırma. Karadeniz Fen Bilimleri Dergisi, 10(1), 1-26.
8. Kahya E., Özkan N.F., Ulutaş B., Evaluation of brain computer interface usage in terms of cognitive load: A pilot study, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (2), 647-662, 2019.
Demirel, H., ve Ateş, A. (2018). Sapanca Gölü çevresinde karayolu trafiğinden kaynaklanan hava kirleticilerinin emisyon envanteri. Sakarya Üniversitesi Fen Bil. Enstitüsü Dergisi, 22(2), 150-158.
9. Zhang Z., Li X., Deng Z., A CWT-based SSVEP classification method for brain-computer interface system, International Conference on Intelligent Control and Information Processing, Dalian, China, 43-48, 13-15 August, 2010.
Dulkadiroğlu, H. (2018). Türkiye’de elektrik üretiminin sera gazı emisyonları açısından incelenmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(1), 67-74.
10. Muller-Putz G.R., Pfurtscheller G., Control of an electrical prosthesis with an SSVEP-based BCI, IEEE Trans Biomed Eng, 55 (1), 361-364, 2008.
Geçer, E., Şentürk, İ., ve Büyükgüngör, H. (2019). Yeşil bina tasarımında su ve enerji yönetimi üzerine uygulama örneği. Gümüşhane Üniversitesi Fen Bil. Enstitüsü Dergisi, 9(2), 332-343.
11. Diez P.F., Mut V.A., Avila Perona E.M., Laciar Leber E., Asynchronous BCI control using high-frequency SSVEP, Journal of neuroengineering and rehabilitation, J Neuroeng Rehabil, 8, 39, 2011.
Intergovernmental Panel on Climate Change, IPCC. (2013). AR5: Climate Change 2013: The Physical Science Basis, Technical Summary. New York, s.35
12. Heidari H., Einalou Z., SSVEP extraction applying wavelet transform and decision tree with Bayes classification, International Clinical Neuroscience Journal (ICNSJ), 4 (3), 91-97, 2017.
Kalıpcı, E., ve Başer, V. (2019). Coğrafi Bilgi Sistemi (CBS) ve hava kalitesi verileri kullanılarak Türkiye’nin hava kirliliğinin değerlendirilmesi. Karadeniz Fen Bilimleri Dergisi, 9(2), 377-389.
13. Yeh C., Lee P., Chen W., Improvement of classification accuracy in a phase-tagged steady-state visual evoked potential-based brain computer interface using multiclass support vector machine, BioMed Eng OnLine, 12, 46, 2013.
Kreith, F., and Berger, S. (1999). Mechanical Engineering Handbook. (Ed.) Frank Kreith Boca Raton: CRC Press LLC, In: Intelligent Transportation Systems.
14. Sayilgan E., Yuce Y.K., Isler Y., Determining gaze information from steady-state visually-evoked potentials, Karaelmas Fen ve Mühendislik Dergisi, Kabul edildi, 2020.
Mach, K. J., Mastrandrea, M. D., Bilir, T. E., and Field, C. B. (2016). Understanding and responding to danger from climate change: the role of key risks in the IPCC AR5. Climatic Change, 136(3-4), 427-444.
15. Sayilgan E., Yuce Y.K., Isler Y., Prediction of evoking frequency from steady-state visual evoked frequency, Natural and Engineering Sciences, 4 (3), 91-99, 2019.
McCloskey, B., and Heymann, D. L. (2020). SARS to novel coronavirus–old lessons and new lessons. Epidemiology & Infection, 148.
16. Oojha M. K., Rajotiya R. N., Tyagi N., Frequency detection of single channel steady state visual evoked potential using canonical correlation analysis approach, ICRAMSTEL-2019At: JIMS Engineering Management Technical Campus, Greater Noida, 2019.
Mercan, M., ve Karakaya, E. (2013). Sera Gazı Salımının Azaltımında Alternatif Politikaların Ekonomik Maliyetlerinin İncelenmesi: Türkiye İçin Genel Denge Analizi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (42), 123-159.
17. Vilic A., AVI Steady-State Visual Evoked Potential (SSVEP) Signals Dataset 2013, on line: https://www.setzner.com/avi-ssvep-dataset/, 2013.
Mitra, A., Chaudhuri, T. R., Mitra, A., Pramanick, P., Zaman, S., Mitra, A., ... and Zaman, S. (2020). Impact of Covid-19 related shutdown on atmospheric carbon dioxide level in the city of Kolkata. Parana Journal of Science and Education, 6(3), 84-92.
18. Lotte F., Congedo M., Lecuyer A., Lamarche F. Arnaldi B., A review of classification algorithms for EEG-based brain-computer interfaces, J Neural Eng, 4 (2), R1-R13, 2007.
Lau, H., Khosrawipour, V., Kocbach, P., Mikolajczyk, A., Schubert, J., Bania, J., & Khosrawipour, T. (2020). The positive impact of lockdown in Wuhan on containing the Covıd-19 outbreak in China. Journal of travel medicine, 27(3), a037.
19. Iscan Z., Dokur Z., Demiralp T., Classification of electroencephalogram signals with combined time and frequency features. Expert Systems with Applications, 38 (8), 10499-10505, 2011.
Le Quéré, C., Jackson, R.B., Jones, M.W., Smith, A.J., Abernethy, S., Andrew, R.M., De-Gol, A.J., Willis, D.R., Shan, Y., and Canadell, J.G. (2020). Temporary reduction in daily global CO2 emissions during the Covid-19 forced confinement. Nature Climate Change, 10, 647-653.
20. Iscan Z., Development of classification methods for electroencephalogram based brain computer interfaces, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2012.
Liu, Z., Ciais, P., Deng, Z., Lei, R., Davis, S.J., Feng, S., Zheng, B., Cui, D., Dou, X., and Zhu, B. (2020). Near-real-time monitoring of global CO2 emissions reveals the effects of the Covid-19 pandemic. Nature communications, 11, 1-12.
21. Mohamed E.A., Yusoff M.Z.K., Selman N.K., Malik A.S., Enhancing EEG signals in brain computer interface using wavelet transform, International Journal of Information and Electronics Engineering, 4 (3), 234-238, 2014.
Saadat, S., Rawtani, D., and Hussain, C. M. (2020). Environmental perspective of Covid-19, Science of The Total Environment, 728 (2020), 138870.
22. Shiliang S.J.Z., A review of adaptive feature extraction and classification methods for EEG-based braincomputer interfaces, IEEE Joint Conference (IJCNN) on Neural Networks International, 1746-1753, 2014.
Sancar, O., ve Bostancı S. (2020). Covid-19 Pandemi Sürecinde Karbon Emisyonu Üzerine Bir Tartışma, Iğdır Üniversitesi Sos. Bil. Der., 269-292
23. Rosso O.A., Blanco S., Yordanova J., Kolev V., Figliola A., Başar E, Wavelet entropy: a new tool for analysis of short duration brain electrical signals, J Neurosci Methods, 105, 65-75, 2001.
Şahin, Ü., ve Erensü, S. (2020). Covid-19 Pandemisini ve İklim Krizini Birlikte Okumak. Mercator Politika Notu.Sabancı Üniversitesi İPM.
24. Tapan G., Bijaya P., Sneh A., A comparative study of wavelet families for EEG signal classification, Neurocomputing, 74, 3051-3057, 2011.
URL-1: https://www.globalchange.gov/climate-change. Climate Science Special Report (Erişim Tarihi: 20 Ocak 2021).
25. Isler Y., Kuntalp M., Combining classical HRV indices with wavelet entropy measures improves to performance in diagnosing congestive heart failure, Comput Biol Med, 37 (10), 1502-1510, 2007.
URL-2: https://www.iea.org/countries/turkey. World Energy Balances 2020 (Erişim Tarihi: 22 Şubat 2021).
26. İşler Y., A detailed analysis of the effects of various combinations of heart rate variability indices in congestive heart faliure, Doktora Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir, 2009.
URL-3: https://www.kgm.gov.tr (Erişim Tarihi: 23 Aralık 2020).
27. Duda R. O., Hart P. E., Stork D. G., Pattern Classification, 2nd edition, Wiley Interscience, 2001.
28. Alpaydin E., Introduction to Machine Learning, MIT Press, 2004.
29. Liuand H., Motoda H., Feature Selection for Knowledge Discovery and Data Mining, Kluwer Academic Publishers, London, GB, 1998.
30. IBM SPSS Statistics. https://www.ibm.com/trtr/products/spss-statistics.
31. Lotte F., Baugrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F., A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update, J Neural Eng, 15 (031005), 2018.
32. MATLAB and Machine Learning and Deep Learning Toolbox Release 2019a, The MathWorks, Inc., Natick, Massachusetts, United States.
33. Jung Y., Hu J., A k-fold averaging cross-validation procedure, J Nonparametr Stat, 27, 1-13, 2015.
34. Narin A., İşler Y., Özer M., Konjestif kalp yetmezliği teşhisinde kullanılan çapraz doğrulama yöntemlerinin sınıflandırıcı performanslarının belirlenmesine olan etkilerinin karşılaştırılması, DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 16 (48), 1-8, 2014.
35. Isler Y., Narin A., Ozer M., Comparison of the effects of cross-validation methods on determining performances of classifiers used in diagnosing congestive heart failure, Meas Sci Rev, 15 (4), 196-201, 2015.

APA	SAYILGAN E, CÜCE H, Yuce Y, Ugur O, Isler Y (2021). Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. , 593 - 606. 10.17341/gazimmfd.664583
Chicago	SAYILGAN EBRU,CÜCE HÜSEYİN,Yuce Yilmaz Kemal,Ugur Oguzhan,Isler Yalcin Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. (2021): 593 - 606. 10.17341/gazimmfd.664583
MLA	SAYILGAN EBRU,CÜCE HÜSEYİN,Yuce Yilmaz Kemal,Ugur Oguzhan,Isler Yalcin Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. , 2021, ss.593 - 606. 10.17341/gazimmfd.664583
AMA	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. . 2021; 593 - 606. 10.17341/gazimmfd.664583
Vancouver	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. . 2021; 593 - 606. 10.17341/gazimmfd.664583
IEEE	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y "Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi." , ss.593 - 606, 2021. 10.17341/gazimmfd.664583
ISNAD	SAYILGAN, EBRU vd. "Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi". (2021), 593-606. https://doi.org/10.17341/gazimmfd.664583

APA	SAYILGAN E, CÜCE H, Yuce Y, Ugur O, Isler Y (2021). Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 11(1), 593 - 606. 10.17341/gazimmfd.664583
Chicago	SAYILGAN EBRU,CÜCE HÜSEYİN,Yuce Yilmaz Kemal,Ugur Oguzhan,Isler Yalcin Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 11, no.1 (2021): 593 - 606. 10.17341/gazimmfd.664583
MLA	SAYILGAN EBRU,CÜCE HÜSEYİN,Yuce Yilmaz Kemal,Ugur Oguzhan,Isler Yalcin Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.11, no.1, 2021, ss.593 - 606. 10.17341/gazimmfd.664583
AMA	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 11(1): 593 - 606. 10.17341/gazimmfd.664583
Vancouver	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 11(1): 593 - 606. 10.17341/gazimmfd.664583
IEEE	SAYILGAN E,CÜCE H,Yuce Y,Ugur O,Isler Y "Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 11, ss.593 - 606, 2021. 10.17341/gazimmfd.664583
ISNAD	SAYILGAN, EBRU vd. "Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 11/1 (2021), 593-606. https://doi.org/10.17341/gazimmfd.664583