Beyin bilgisayar arayüzü uygulamaları için eeg sinyal analizi

Abstract

Beyin bilgisayar arayüzü uygulamalarından olan nöro-prostetik (ing: Neuro-prosthetic) bir cihazı kontrol etmesi için tasarlanan bir sistemin incelendiği bu tez kapsamında EEG sinyalleri, bant geçiren süzgeç ( ing : band-pass filter) ile delta (1-3 Hz), tetha (4-7 Hz), alfa(8-12 Hz), beta(13-30 Hz) ve gama(31-50 Hz) frekanslarına ayrılarak bant güçleri (ing : bandpower) hesaplanmıştır. Filtrelenen bu sinyaller tüm öznitelikler kullanılarak ve öznitelik seçim yöntemleri uygulanarak sınıflandırılmıştır. Sonrasında frekans bantlarının aralıkları daraltılıp (0-4 Hz, 4-8 Hz, …, 44-48 Hz) öznitelik sayıları arttırılarak aynı işlemler tekrarlanmıştır. Bu çalışmanın kapsamını, bant gücü (ing : band power), öznitelik seçim yöntemleri ve frekans bant aralıklarının daraltılmasının sınıflandırma performanslarına etkisinin araştırılması oluşturulmaktadır. Kapsamdaki bu konuların performansa olumlu şekilde yansıdığı ve her oturumda performansın arttığı gözlemlenmiştir.

This thesis investigates the use of EEG signal for controlling a neuro-prosthetic device. The primary aim of this study was to investigate feature extraction and selection methods for classifying this EEG data into two classes namely moving hands and relaxed state. In the first part of the study, the features of EEG signals were extracted using band power in delta (1-3 Hz), theta (4-7 Hz), alpha (8-12 Hz), beta (13-30 Hz) ve gamma(31-50 Hz) bands. Then the feature vector was classified using and without using feature selection methods. In the second part of the study the feature extraction part was repeated using a narrower band range (0-4 Hz, 4-8 Hz, …, 44-48 Hz). Again the feature vector was classified using and without using feature selection methods. The aim was to investigate the effect of using different range of features and feature selection methods to classification performance. The results have shown that using a narrower range for extracting band power and feature selection methods have improved the classification performance of the EEG data.