EEG işaretlerinden bilişsel görevlerin ve müzik dinleme görevlerinin analizi

Abstract

Bu tez çalışmasında, altı sağlıklı bireyden alınan farklı zihinsel, motor ve müzik görevlerine ait EEG kayıtları analiz edilmiştir. Zihinden gerçekleştirilen yedi farklı görevin ortaya konması esnasında, 64 kanallı Biosemi ActiveTwo System EEG cihazı kullanılarak, kaydedilen EEG verilerinden bağımsız bileşen analizi (ICA) ve dalgacık yöntemleri (CWT) ile öznitelikler çıkarılmış, destek vektör makinesi (DVM) ve yapay sinir ağları (YSA) sınıflandırıcıları ile sınıflandırılmıştır. Çalışmanın amacı, EEG tabanlı BBA sistemleri için verimli ve uygulama kolaylığı olan bir öznitelik yöntemine karar vermek ve müzik görevinin BBA uygulamaları için kullanılabilirliğini araştırmaktır. Müzik görevlerinin BBA uygulamaları için kullanımı bu tez kapsamında ilk kez araştırılmaktadır. Zihinsel ve motor görevlere ait deneysel verilerin sınıflandırma performansı, doğruluğu kabul edilmiş olan BCI IIIa veri seti ile karşılaştırılmıştır. Sistemin doğruluğu Kappa istatistiği ile test edilmiştir. Çalışmanın sonuçları değerlendirildiğinde, CWT yöntemi kullanıldığında YSA sınıflandırıcısının üstün performans gösterdiği görülmüştür. Son olarak, müzik görevlerinin sınıflandırma performansının yüksek oluşu da, Beyin Bilgisayar Arayüzü (BBA) uygulamalarında kullanılabileceğini göstermiştir.

In this study, EEG records of different mental, motor and music tasks from six healthy subjects were analyzed. A 64-channel Biosemi ActiveTwo System was used for recording during imagination of seven different tasks. Features were extracted with independent component analysis (ICA) and wavelet methods (CWT) and further they were classified by support vector machine (SVM) and artificial neural networks (ANN) classifiers. The purpose of this study is to decide on a feature extraction method for EEG-based BCI systems which is efficient and easy to implement and moreover to investigate the availability of music task for BCI applications. Using music tasks for BCI applications is firstly introduced in this study. Classification performance of the experimental data of mental and motor tasks was compared with scientifically proven BCI III data set. The accuracy of the system is tested with Kappa statistics. The results of the study showed that the NN classifier exhibited superior performance with the CWT method. Finally, it was proven that the music tasks with the high classification performance can be used for Brain Computer Interface (BCI) applications.