EEG data classification using multilinear regression model

Abstract

Beyin Bilgisayar Arayüzleri (BCI), kişilerin, sinir sistemlerini kullanmaksızın,elektromekanik veya nöroprostetik bir cihazı bilgisayar yardımıyla denetlemelerini sağlayan sistemlerdir. Kafaderisi üzerine yerleştirilen elektrotlardan elde edilen ve Elektroansefalogram (EEG) adı verilen elektriksel kayıtlar sayesinde beyin dokuları hakkındabilgi edinebilmek mümkündür. Farklı bölgelere yerleştirilen elektrotlar çevrelerindekielektriksel aktiviteyi yakalayabilmektedirler. BCI sistemleri, beyin sinyallerinin barındırdığı motor veya bilişsel etkinlik bilgisini tanımlayıp çevrede bulunan cihazları hareketegeçirebilmek için, bu elektrotlardan elde edilen elektriksel sinyalleri birleştirerek, sinyalişleme ve yapay öğrenme algoritmaları kullanırlar. Duygu tahmini, genellikle beyinbilgisayar arayüzü uygulamalarında insan ve makine arasındaki iletişimi geliştirmekve denetlemek için kullanılır. Doğru duygu analizi için en yaygın kullanılan yöntemolan beyin elektriksel aktivitesine dayalı duygu tahmini çalışmaları son yıllarda ivmekazanmıştır. Bu tez çalışmasında, duygusal anlamda hoş ve nahoş resimlerle karşılaşannormal deneklerden alınan çok kanallı EEG verileri çoklu doğrusal regresyon algoritması ile sınıflandırılmıştır. Sonuçlar, Destek Vektörü Makinesi (SVM) sonuçları ilekarşılaştırılarak doğrulukta daha iyi olduğu kanıtlanmıştır.

Brain Computer Interfaces (BCI) are systems that facilitate people to use acomputer, to control an electromechanical or a neuroprosthetic device without usingtheir motor nervous system. It is possible to obtain an information about the braintissues with electrodes placed on the skull which record the electrical activity calledelectroencephalogram (EEG) . The electrodes placed in dierent regions capture theactivity in their neighborhood. BCI systems combining the electrical signals from theseelectrodes use signal processing and machine learning algorithms to identify the motoror the cognitive activity that is embedded in the brain signals so as to mobilize theperipheral devices according to the information gathered. Emotion estimation is oftenused in brain computer interface applications to improve and control the communication between man and machine. In recent years, emotion estimation studies basedon brain electrical activity, which is the most widespread method used for accurateemotion analysis, have gained momentum. In this thesis study, multichannel EEGdata taken from normal subjects who encountered emotionally pleasant and unpleasant pictures were classied with a multilinear regression algorithm. The results werecompared with those of the Support Vector Machine (SVM) and proved to be betterin accuracy.