Brain computer interfacing (BCI) data analysis using graph signal processing
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Veriler, toplum, ekonomi, endüstri, güvenlik, ulaşım ve tıp dahil olmak üzere çeşitli alanlarda muazzam bir şekilde büyüyor. Bu verilerin çok boyutlu yapısı, alttlarında yatan bağlantı yapılarını kullanan yeni teknikler gerektirir. Çizge sinyal işleme, Ökliduzayındagerçekleştirilenklasiksinyalişlemeninbiruzantısıolarakyüksekboyutlu veri kümeleri için bir işleme aracı olarak ortaya çıkmıştır. Bu tezde, beyin bilgisayar arayüzü (BCI) için toplanan elektroensefalografi (EEG) verileri, ön işleme aracı olarak çizge sinyal işleme yöntemi kullanılarak sınıflandırma için kullanılmıştır. Biri duygu algılama ve diğeri motor imgeleme sırasında olmak üzere iki EEG veri kümesi kullanılmıştır. Destek vektör makineleri (SVM) ve K− en yakın komşu algoritmaları sınıflandırma için kullanılmıştır. EEG verilerinin altında yatan bağlantısallık yapısı, kafatasına konumlandırılan elektrotların birbirleri ile uzaklığı ve komşu bilgileri kullanılarak elde edilmiştir. Sonuçlar, data Fourier spektral özvektörleri tarafından belirlenen zamansal frekansın takip ettiği graf spektral özvektörleri tarafından belirlenen graph alt uzayına sınıflandırma işleminden önce bir ön işlem olarak iz düşürüldüğünde, sınıflandırma doğruluğunun önemli ölçüde arttığını göstermektedir. Data have been growing enormously in various domains including society, economics, industry, security, transportation, and medicine. The high dimensional structure of these data requires new techniques that employ their underlying connectivity structure. Graph signal processing (GSP) has emerged as a processing tool for high dimensional datasets as an extension of classical signal processing performed in the Euclidean space. In this thesis, electroencephalography (EEG) data collected for brain-computer interfacing (BCI) are used for classification using GSP as a preprocessing tool. Two EEG datasets, one during emotion detection, and one during motor imagery are used. Support vector machines (SVM) and $K-$nearest neighboring algorithms are used for classification. The underlying connectivity structure of the EEG data is obtained using the distance and neighboring information of the electrode locations on the scalp. The results show that the classification accuracy is significantly improved when the data are projected to the underlying graph subspace determined by the graph spectral eigenvectors followed by a temporal filtering determined by Fourier spectral eigenvectors as a preprocessing step before classification.
Collections