Beyin bilgisayar arayüzü tasarımı için farklı zhinsel aktiviteler esnasında oluşan EEG sinyallerinin analiz edilmesi ve sınıflandırılması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu çalışmada, farklı zihinsel ve motor aktiviteler esnasında kaydedilen EEG verilerinden öz nitelikler çıkarılmış ve iki farklı sınıflandırıcı ile bu öz niteliklerin performansları değerlendirilmiştir. Nörofizyolojik bozukluğu olan kişiler hedeflenerek gerçekleştirilen çalışmada, farklı görevler esnasında kaydedilen EEG sinyalleri analiz edilmiştir. Bu görevler rahat durum, problem çözümü, sağ el hayali, sol el hayali ve A harfi hayali şeklindedir.Zihinden gerçekleştirilen beş farklı görevin ortaya konması esnasında, Biosemi ActiveTwo System EEG cihazı kullanılarak kaydedilen EEG verileri içerisinden, zihinsel görevlerde aktif olduğu düşünülen dokuz kanal seçilmiştir. Bu kanallardan elde edilen veriler, MATLAB ortamında geliştirilen algoritmalar ile analiz edilmiştir. Öncelikle veriler ön işleme tabi tutularak gürültüden ve bozucu etkilerden arındırılmıştır. İki aşamalı olarak gerçekleştirilen öz nitelik çıkarma işleminin ilk aşamasında spektral analiz yöntemlerinden Welch metodu kullanılarak güç spektral yoğunluğu hesaplanmıştır. İkinci aşamada, güç spektral yoğunluğu hesaplanmış verilerden, alfa ve beta ritimlerinin karakteristik özellikleri kullanılarak öz nitelikler belirlenmiştir. Öz niteliklerin sınıflandırma performansının belirlenmesi için, Doğrusal Ayırıcı Analizi ve Destek Vektör Makinesi yöntemleri kullanılarak farklı görevlerin ikili ve çoklu sınıflandırmaları gerçekleştirilmiştir. Sınıflandırma sonuçları her kanalın performansını gösterecek şekilde hesaplanmış ve her bir görev için aktif olan kanallar belirlenmiştir.Kullanılan sınıflandırma yöntemlerinden Destek Vektör Makinesi ile elde edilen sınıflandırma başarımlarının hem ikili hem de çoklu sınıflandırmada, Doğrusal Ayırıcı Analizi'nden üstün olduğu belirlenmiştir. Farklı sayıda elektrot kullanılarak, sınıflandırma performansları kıyaslanmış ve dört elektrot kullanımının yeterli olduğu görülmüştür. Beş farklı görev için sınıflandırma başarımları değerlendirildiğinde, bu sonuçların Beyin Bilgisayar Arayüzü uygulamalarında kullanılabilir olduğu sonucuna varılmıştır. Sınıflandırıcıların performans ölçütleri, sınıflandırma doğruluğu, duyarlılık ve seçicilik açısından ele alınmış ve sınıflandırıcıların başarılı olduğu belirlenmiştir. In this study, features of EEG signals which are recorded during different mental and motor tasks are extracted and the performances of those features are tested with two different classifiers. EEG signals recorded during mental tasks are analyzed so that it is aimed to help people with neurophysiological disorders. The tasks are relax state, problem solving, imagination of right hand, imagination of left hand and imagination of the letter A.A Biosemi ActiveTwo System is used to record EEG signals and the data gathered from the chosen nine electrode channels are transferred to the MATLAB for analysis and then purified from noise and outliers. After that a two step feature extraction algorithm is applied. The first step involves calculating power spectral densities by Welch method, and the second step is developed from this power spectral density data, which is determining alpha and beta band characteristics as features. The extracted feature vectors are transferred to Linear Discriminant Analysis and Support Vector Machines classifiers and they are used for two class and multiclass classification. Classification results are obtained for each channel and by using those results the most active channels for each task are determined.Among the classifiers, Support Vector Machines performed better than the Linear Discriminant Analysis for both classification schemes. In addition the use of four electrodes found enough for analysis. The achieved classification results showed the eligibility of five different tasks for Brain Computer Interface applications. Finally, the classification performances are considered by classification accuracy, sensitivity and specificity constraints.
Collections