TR and EN languages

README.md

@@ -15,6 +15,330 @@ tags:
 - neura
 - neuro
 ---
+# bai Modelleri
+
+## Model Detayları
+
+#### bai Modelleri EEG verilerini okumak için eğitilmiştir. Bu modellerin eğitildiği veri setleri Neurazum tarafından gizli tutulmaktadır. Derin öğrenme yöntemleri ile eğitilir ve çok yüksek doğruluk oranları ile EEG üzerinde hassas bir şekilde çalışabilir. Elektrot sayısına bakılmaksızın her türlü EEG cihazı üzerinde çalışabilmektedir (Optimizasyon ve iyileştirmeler devam etmektedir). Nörobilim alanındaki geri kalmışlığa, ilkelliğe ve hata paylarına son vermeyi hedeflemektedir.
+
+### Model Tanımı
+
+- **Geliştirici:** _Neurazum_
+- **Yayımcı:** _Eyüp İpler_
+- **Model Tipi:** _EEG_
+- **Lisans:** _CC-BY-NC-SA-4.0_
+
+## Kullanımlar
+
+**Bu modellerdeki amacımız;**
+
+- _Kişinin duygusunu anlık olarak analiz etmek,_
+- _Epilepsi ve MS gibi tehlikeli hastalıkları nöbet öncesi erken uyarmak ve gerekli önlemleri almak,_
+- _Alzheimer hastaları için erken teşhis ve unutulan kelimeleri bai modeline aktararak hafızada tutmak,_
+- _Günlük hayatta kullanılabilecek bir sesli yapay zeka asistanının geliştirilmesi._
+- _İnsan vücudunda bulunan 12 adet kraniyal sinir sayesinde hastalık teşhisinde hata payının azaltılması._
+
+## Direkt Kullanımlar
+
+**Klasik Kullanım:**
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.preprocessing import StandardScaler
+from tensorflow.keras.models import load_model
+import matplotlib.pyplot as plt
+
+model_path = 'model-yolu'
+
+model = load_model(model_path)
+
+model_name = model_path.split('/')[-1].split('.')[0]
+
+plt.figure(figsize=(10, 6))
+plt.title(f'Duygu Tahmini ({model_name})')
+plt.xlabel('Zaman')
+plt.ylabel('Sınıf')
+plt.legend(loc='upper right')
+plt.grid(True)
+plt.show()
+model.summary()
+```
+
+**Tahmin Testi:**
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.preprocessing import StandardScaler
+from tensorflow.keras.models import load_model
+
+model_path = 'model-yolu'
+
+model = load_model(model_path)
+
+scaler = StandardScaler()
+
+predictions = model.predict(X_new_reshaped)
+predicted_labels = np.argmax(predictions, axis=1)
+
+label_mapping = {'NEGATIVE': 0, 'NEUTRAL': 1, 'POSITIVE': 2}
+label_mapping_reverse = {v: k for k, v in label_mapping.items()}
+
+#new_input = np.array([[23, 465, 12, 9653] * 637])
+new_input = np.random.rand(1, 2548)  # 1 örnek ve 2548 özellik
+new_input_scaled = scaler.fit_transform(new_input)
+new_input_reshaped = new_input_scaled.reshape((new_input_scaled.shape[0], 1, new_input_scaled.shape[1]))
+
+new_prediction = model.predict(new_input_reshaped)
+predicted_label = np.argmax(new_prediction, axis=1)[0]
+predicted_emotion = label_mapping_reverse[predicted_label]
+
+# TR Lang
+if predicted_emotion == 'NEGATIVE':
+    predicted_emotion = 'Negatif'
+elif predicted_emotion == 'NEUTRAL':
+    predicted_emotion = 'Nötr'
+elif predicted_emotion == 'POSITIVE':
+    predicted_emotion = 'Pozitif'
+
+print(f'Girilen Veri: {new_input}')
+print(f'Tahmin Edilen Duygu: {predicted_emotion}')
+```
+**Gerçek Zamanlı Kullanım (Modelsiz):**
+
+```python
+import sys
+import pyaudio
+import numpy as np
+import matplotlib.pyplot as plt
+from matplotlib.lines import Line2D
+from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget
+from PyQt5.QtCore import QTimer
+from PyQt5.QtGui import QIcon
+from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg as FigureCanvas
+from matplotlib.backends.backend_qt5agg import NavigationToolbar2QT as NavigationToolbar
+
+
+CHUNK = 1000  # Chunk size
+FORMAT = pyaudio.paInt16  # Data type (16-bit PCM)
+CHANNELS = 1  # (Mono)
+RATE = 2000  # Sample rate (Hz)
+
+p = pyaudio.PyAudio()
+
+stream = p.open(format=FORMAT,
+                channels=CHANNELS,
+                rate=RATE,
+                input=True,
+                frames_per_buffer=CHUNK)
+
+
+class MainWindow(QMainWindow):
+    def __init__(self):
+        super().__init__()
+
+        self.initUI()
+
+        self.timer = QTimer()
+        self.timer.timeout.connect(self.update_plot)
+        self.timer.start(1)
+
+    def initUI(self):
+        self.setWindowTitle('EEG Monitoring by Neurazum')
+        self.setWindowIcon(QIcon('/neurazumicon.ico'))
+
+        self.central_widget = QWidget()
+        self.setCentralWidget(self.central_widget)
+
+        self.layout = QVBoxLayout(self.central_widget)
+
+        self.fig, (self.ax1, self.ax2) = plt.subplots(2, 1, figsize=(12, 8), gridspec_kw={'height_ratios': [9, 1]})
+        self.fig.tight_layout()
+        self.canvas = FigureCanvas(self.fig)
+
+        self.layout.addWidget(self.canvas)
+
+        self.toolbar = NavigationToolbar(self.canvas, self)
+        self.layout.addWidget(self.toolbar)
+
+        self.x = np.arange(0, 2 * CHUNK, 2)
+        self.line1, = self.ax1.plot(self.x, np.random.rand(CHUNK))
+        self.line2, = self.ax2.plot(self.x, np.random.rand(CHUNK))
+
+        self.legend_elements = [
+            Line2D([0, 4], [0], color='yellow', lw=4, label='DELTA (0hz-4hz)'),
+            Line2D([4, 7], [0], color='blue', lw=4, label='TETA (4hz-7hz)'),
+            Line2D([8, 12], [0], color='green', lw=4, label='ALFA (8hz-12hz)'),
+            Line2D([12, 30], [0], color='red', lw=4, label='BETA (12hz-30hz)'),
+            Line2D([30, 100], [0], color='purple', lw=4, label='GAMA (30hz-100hz)')
+        ]
+
+    def update_plot(self):
+        data = np.frombuffer(stream.read(CHUNK), dtype=np.int16)
+        data = np.abs(data)
+        voltage_data = data * (3.3 / 1024)  # Voltajı "mV"'ye dönüştürme
+        frequency = voltage_data / (RATE * 1000) # Frekans hesaplama
+
+        self.line1.set_ydata(data)
+        self.line2.set_ydata(frequency)
+
+        for coll in self.ax1.collections:
+            coll.remove()
+
+        self.ax1.fill_between(self.x, data, where=((self.x >= 0) & (self.x <= 4)), color='yellow', alpha=1)
+        self.ax1.fill_between(self.x, data, where=((self.x >= 4) & (self.x <= 7)), color='blue', alpha=1)
+        self.ax1.fill_between(self.x, data, where=((self.x >= 8) & (self.x <= 12)), color='green', alpha=1)
+        self.ax1.fill_between(self.x, data, where=((self.x >= 12) & (self.x <= 30)), color='red', alpha=1)
+        self.ax1.fill_between(self.x, data, where=((self.x >= 30) & (self.x <= 100)), color='purple', alpha=1)
+
+        self.ax1.legend(handles=self.legend_elements, loc='upper right')
+        self.ax1.set_ylabel('Genlik (uV)')
+        self.ax1.set_xlabel('Frekans (Hz)')
+        self.ax1.set_title('Frekans ve Genlik Değerleri')
+
+        self.ax2.set_ylabel('Voltaj (mV)')
+        self.ax2.set_xlabel('Zaman')
+
+        self.canvas.draw()
+
+    def close_application(self):
+        self.timer.stop()
+        stream.stop_stream()
+        stream.close()
+        p.terminate()
+        sys.exit(app.exec_())
+
+
+if __name__ == '__main__':
+    app = QApplication(sys.argv)
+    mainWin = MainWindow()
+    mainWin.show()
+    sys.exit(app.exec_())
+```
+
+**Duyguları İçeren Veri Seti Üzerinde Tahmin:**
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.preprocessing import StandardScaler
+from tensorflow.keras.models import load_model
+
+model_path = 'model-yolu'
+new_data_path = 'veri-seti-yolu'
+
+model = load_model(model_path)
+
+new_data = pd.read_csv(new_data_path)
+
+X_new = new_data.drop('label', axis=1)
+y_new = new_data['label']
+
+scaler = StandardScaler()
+X_new_scaled = scaler.fit_transform(X_new)
+X_new_reshaped = X_new_scaled.reshape((X_new_scaled.shape[0], 1, X_new_scaled.shape[1]))
+
+predictions = model.predict(X_new_reshaped)
+predicted_labels = np.argmax(predictions, axis=1)
+
+label_mapping = {'NEGATIVE': 0, 'NEUTRAL': 1, 'POSITIVE': 2}
+label_mapping_reverse = {v: k for k, v in label_mapping.items()}
+actual_labels = y_new.replace(label_mapping).values
+
+accuracy = np.mean(predicted_labels == actual_labels)
+
+new_input = np.random.rand(2548, 2548)  # 1 örnek ve 2548 özellik
+new_input_scaled = scaler.transform(new_input)
+new_input_reshaped = new_input_scaled.reshape((new_input_scaled.shape[0], 1, new_input_scaled.shape[1]))
+
+new_prediction = model.predict(new_input_reshaped)
+predicted_label = np.argmax(new_prediction, axis=1)[0]
+predicted_emotion = label_mapping_reverse[predicted_label]
+
+
+# TR Lang
+if predicted_emotion == 'NEGATIVE':
+    predicted_emotion = 'Negatif'
+elif predicted_emotion == 'NEUTRAL':
+    predicted_emotion = 'Nötr'
+elif predicted_emotion == 'POSITIVE':
+    predicted_emotion = 'Pozitif'
+
+print(f'Giriş Verisi: {new_input}')
+print(f'Tahmin Edilen Duygu: {predicted_emotion}')
+print(f'Doğruluk: %{accuracy * 100:.5f}')
+```
+
+## Önyargı, Riskler ve Kısıtlamalar
+
+**bai Modelleri;**
+
+- _En büyük riski yanlış tahmin etmesidir :),_
+- _Herhangi bir kısıtlama bulunmamaktadır (şimdilik),_
+- _Beyin sinyallerinden elde edilen veriler kişisel bilgi içermez (çünkü bunlar sadece mV değerleridir). Bu nedenle, bai tarafından yapılan her tahmin sadece bir "TAHMİN" dir._
+
+### Öneriler
+
+- _Çok fazla duygu durum değişikliği yaşamamaya çalışın,_
+- _Çok fazla farklı nitelikte düşünce/karar almayın,_
+- _Çok fazla hata yaptığında, yanlış cevap verdiğini düşünmeyin (doğru cevap verdiğini farz edin),_
+
+**Not: Bu öğeler sadece modelin daha iyi çalışması için önerilerdir. Herhangi bir risk taşımazlar.**
+
+## Modele Nasıl Başlanır
+
+- Modelin içeriğindeki gerekli modülleri kurmak için;
+- ```bash
+  pip install -r requirements.txt
+  ```
+- Örnek kullanımla modelin ve veritinin yolunu yerleştirin.
+- Ve dosyayı çalıştırın.
+
+## Değerlendirme
+
+- bai-2.0 (Doğruluk oranı çok yüksek = %97,93621013133208)(DUYGUSAL SINIFLANDIRMA) (OTONOM MODEL) (Overfitting ihtimali yüksek)
+- bai-2.1 (Doğruluk oranı çok yüksek = %97,93621013133208)(DUYGUSAL SINIFLANDIRMA) (OTONOM MODEL) (Overfitting ihtimali düşük)
+- bai-2.2 (Doğruluk oranı çok yüksek = %94,8874296435272)(DUYGUSAL SINIFLANDIRMA) (OTONOM MODEL) (Overfitting ihtimali düşük)
+
+### Sonuçlar
+
+[![image](https://r.resimlink.com/O7GyMoQL.png)](https://resimlink.com/O7GyMoQL)
+
+[![image](https://r.resimlink.com/gdyCW3RP.png)](https://resimlink.com/gdyCW3RP)
+
+[![image](https://r.resimlink.com/MpH9XS_0E.png)](https://resimlink.com/MpH9XS_0E)
+
+[![image](https://r.resimlink.com/vsyYqJnQ4k.png)](https://resimlink.com/vsyYqJnQ4k)
+
+#### Özet
+
+Özetle bai modelleri, kişinin düşüncelerini ve duygularını öğrenmek ve tahmin etmek için geliştirilmeye devam ediyor.
+
+#### Donanım
+
+Tek ihtiyacınız olan şey EEG!
+
+#### Yazılım
+
+Daha sonra bu EEG cihazını (şimdilik sadece ses girişi ile) yayınladığımız gerçek zamanlı veri izleme uygulamasıyla çalıştırabilirsiniz.
+
+GitHub: https://github.com/neurazum/Realtime-EEG-Monitoring
+
+## Daha Fazla
+
+LinkedIn: https://www.linkedin.com/company/neurazum
+
+### Yazar
+
+Eyüp İpler - https://www.linkedin.com/in/eyupipler/
+
+### İletişim
+
+[email protected]
+
+# ---------------------------------------
+
 # bai Models
 
 ## Model Details
@@ -26,7 +350,7 @@ tags:
 - **Developed by:** _Neurazum_
 - **Shared by:** _Eyüp İpler_
 - **Model type:** _EEG_
-- **License:** CC-BY-NC-SA-4.0
+- **License:** _CC-BY-NC-SA-4.0_
 
 ## Uses
 
@@ -35,7 +359,6 @@ tags:
 - _To analyse the person's emotion instantly,_
 - _To warn dangerous patients such as epilepsy and MS early before the seizure and to take the necessary precautions,_
 - _Early diagnosis for Alzheimer's patients and the bai model helps the person by memorising forgotten words,_
-- _Development of mind-controlled games for players,_
 - _Development of a voice assistant that can be used in everyday life,_
 - _Reducing the margin of error in disease diagnosis thanks to the 12 cranial nerves in the human body._
 
@@ -180,9 +503,10 @@ class MainWindow(QMainWindow):
         data = np.frombuffer(stream.read(CHUNK), dtype=np.int16)
         data = np.abs(data)
         voltage_data = data * (3.3 / 1024)  # Voltage to "mV"
+        frequency = voltage_data / (RATE * 1000) # Calculate to  frequency
 
         self.line1.set_ydata(data)
-        self.line2.set_ydata(voltage_data)
+        self.line2.set_ydata(frequency)
 
         for coll in self.ax1.collections:
             coll.remove()
@@ -194,7 +518,7 @@ class MainWindow(QMainWindow):
         self.ax1.fill_between(self.x, data, where=((self.x >= 30) & (self.x <= 100)), color='purple', alpha=1)
 
         self.ax1.legend(handles=self.legend_elements, loc='upper right')
-        self.ax1.set_ylabel('Value (dB)')
+        self.ax1.set_ylabel('Amplitude (uV)')
         self.ax1.set_xlabel('Frequency (Hz)')
         self.ax1.set_title('Frequency and mV')
 
@@ -289,6 +613,7 @@ print(f'Accuracy: %{accuracy * 100:.5f}')
 
 ## How to Get Started with the Model
 
+- To install the necessary modules in the model;
 - ```bash
   pip install -r requirements.txt
   ```
@@ -297,9 +622,9 @@ print(f'Accuracy: %{accuracy * 100:.5f}')
 
 ## Evaluation
 
-- bai-2.0 (Accuracy very high = 97%, 93621013133208)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (High probability of OVERFITTING)
-- bai-2.1 (Accuracy very high = 97%, 93621013133208)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (Low probability of OVERFITTING)
-- bai-2.2 (Accuracy very high = 94%, 8874296435272)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (Low probability of OVERFITTING)
+- bai-2.0 (Accuracy very high = %97,93621013133208)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (High probability of OVERFITTING)
+- bai-2.1 (Accuracy very high = %97,93621013133208)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (Low probability of OVERFITTING)
+- bai-2.2 (Accuracy very high = %94,8874296435272)(EMOTIONAL CLASSIFICATION) (AUTONOMOUS MODEL) (Low probability of OVERFITTING)
 
 ### Results
 
@@ -325,14 +650,14 @@ You can then operate this EEG device (for the time being only with audio input)
 
 GitHub: https://github.com/neurazum/Realtime-EEG-Monitoring
 
-## More Information
+## More
 
 LinkedIn: https://www.linkedin.com/company/neurazum
 
-## Model Card Authors
+### Author
 
 Eyüp İpler - https://www.linkedin.com/in/eyupipler/
 
-## Model Card Contact
+### Contact
 
-[email protected]
+[email protected]