•  
  •  
 

Article Title

İmleç Hareketlerine Ait EEG Sinyallerinin Sınıflandırılmasında Adaptif ve Adaptif Olmayan Filtrelerin Uygulamaları

Abstract

Beyin Bilgisayar Arayüzü(BBA), herhangi fiziksel bir yeteneğe ihtiyaç duymadan insanın niyetinin veya kasıtlı düşüncesinin sınıflandırılmasını esas alınır. BBA çalışmalarında, veriler elektroensefalografi(EEG) yöntemi kullanılarak elde edilirken çevre kaynaklı(şebeke gürültüleri vs.) veya içsel(göz hareketleri, ECG vs.) bazı gürültülere maruz kalır. EEG verilerinin hassas bir şekilde sınıflandırılmasını önemli derecede etkileyebilecek gürültülerden biri de elektrookulografik(EOG) gürültülerdir. Bu çalışmada, Graz Üniversitesi tarafından yapılan BCI-IV yarışmasının 2a veri seti kullanılmıştır. 4 sınıflı veri seti 2 sınıfa indirgenerek sadece sağ ve sol imleç hareketlerinin offline sınıflandırılması amaçlanmıştır. 22 kanaldan alınan EEG verileri ile eş zamanlı, göz çevresine montajı yapılan 3 elektrottan da EOG verileri elde edilmiştir. Kullanılan veri setinde, EOG gürültülerini EEG sinyallerinden arındırmak için geleneksel bant geçiren filtreler ve recursive least square(RLS) adaptif filtresi kullanılmıştır. Motor hareket hayali ile uygun bantlara filtrelenmiş sinyallerden, ortak uzamsal örüntüler(CSP) metodu ile çıkarılan öznitelik vektörleri, lineer diskriminant analizi(LDA), destek vektör makinaları(DVM), naive bayes(NB) ve k-NN sınıflandırma algoritmalarının girişlerine uygulanmıştır. Chebyshev tip 2 ve DVM kombinasyonu %72'lik ortalama doğruluk oranı ile en yüksek sınıflandırma performansını sağlamıştır. Ayrıca RLS adaptif filtresi ile elde edilen sınıflandırma sonuçları bant geçiren filtrelerin sonuçları ile mukayese edilmiştir. RLS algoritması ve LDA kombinasyonu, %64 doğruluk oranı ile geleneksel bant geçiren filtreler ile elde edilen sonuçlardan daha düşük performans göstermiştir. Çalışmada elde edilen bulgular literatürü destekler niteliktedir. Çalışmanın bulguları, gelecekte yapılacak çalışmalara da ışık tutabilecek niteliktedir.

https://dergipark.org.tr/tr/download/article-file/1023376

DOI

10.24012/dumf.584345

Share

COinS