Yıl: 2017 Cilt: 8 Sayı: 3 Sayfa Aralığı: 587 - 598 Metin Dili: Türkçe

Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi

Öz:
Bu çalışmada, görsel geri besleme alınarak kayıt edilen yukarı-aşağı imleç hareketlerine ilişkin EEG kayıtlarında, en etkin kanalın belirlenmesi amaçlanmıştır. Çalışmada, 2003 yılındaki BCI Competition II yarışmasında sunulan Data set Ia veri kümesi kullanılmıştır. Veri kümesi için izlenilen paradigmada, sağlıklı bir kişiden bir bilgisayar ekranında imleci yukarı ve aşağı hareket ettirmesi istenilerek, yavaş kortikal potansiyeller kaydedilmiştir.İşlem akışında ilk olarak tümleşik olarak verilen veri seti, kanallara bölünerek her bir kanal ayrı ayrı incelenmiştir. Kanallara ayrılan işaretlere ADD uygulanarak farklı (3., 4., 5. ve 6.) seviyelerde detay (cD) ve yaklaşım (cA) katsayıları elde edilmiştir. Elde edilen bu verilerin; toplam, varyans, enerji, entropi, maksimum, minimum, ortalama ve standart sapma değerleri hesaplanmıştır. Bu işlem sonrası elde edilen veriler, öznitelik veri kümesi olarak değerlendirilmiştir. Bu öznitelikler k-NN ile sınıflandırılmıştır.Elde edilen sonuçlara bakıldığında, imleç hareketinde en etkin kanalın A1, dolayısıyla beynin sol hemisfer bölgesinin aktif olduğu görülmüştür. En yüksek performansın, cA3 yaklaşım katsayısına ilişkin toplam ve ortalama değer ile elde edildiği ve sınıflandırma başarı oranının %77.13 olduğu görülmüştür. Detay katsayılarının temel alındığı analizlerde ise performansın düşük seviyelerde yer aldığı görülmüştür.
Anahtar Kelime:

Determination of the most effective EEG channel in Up&Down cursor movements’ EEG records

Öz:
The main purpose of this study is determination of the most effective channel in EEG recording related to up and down cursor movements. Data set Ia presented in BCI Competition 2003 was used in this paper. The datasets were taken from a healthy subject. The subject was asked to move a cursor up and down on a computer screen, while his cortical potentials were taken. During the recording, the subject received visual feedback of his slow cortical potentials (Cz-Mastoids). In the determination process, the following steps were applied; (1) Discrete Wavelet Transform (DWT) was employed for each channel with different levels such as 3, 4, 5 and 6th. After this process, cA3, cA4, cA5, cA6, cD3, cD4, cD5 ve cD6 coefficients were obtained. (2) Some statistical parameters of the approximation (cA) and detail (cD) coefficients with different levels are used for feature vectors. Different type of statistical parameters can be used as well but most effective parameters observed from literature were chosen in this study. These selected parameters are sum, variance, energy, entropy, maximum value, minimum value, mean and standard deviation and all parameters were applied discretely. It is well known that each of the parameters has a statistical meaning and which parameters has the highest effect on classification were determined with this study. (3) The feature vectors were classified with k-Nearest Neighbor (kNN) method for determining of the most effective channel. DWT method was employed for obtaining the coefficients contains the characteristics of signal used as feature vectors. DWT is an implementation of the wavelet transform using a discrete set of the wavelet scales and translations obeying some defined rules. In other words, this transform decomposes the signal into mutually orthogonal set of wavelets, which is the main difference from the continuous wavelet transform (CWT), The selected statistical parameters (sum, variance, energy, entropy, maximum value, minimum value, mean and standard deviation) were most popular in EEG analysis observed in literature, hence these parameters were used in this study. For determining the most effective channel, the kNN classification method was employed. k-NN is a simple algorithm that stores all available cases and classifies new cases based on a similarity measure (e.g., distance functions such as Euclidean, Manhattan, Minkowski). k-NN has been used in statistical estimation and pattern recognition already in the beginning of 1970’s as a nonparametric technique As a result of this study, the following issues were observed: i) The most effective channel is A1 was observed. It means that left hemisfer region of brain is more active than right side. ii) The DWT approximation coefficient of level 3 has exhibited the highest performance as 77.13%. The detail coefficients have lower performance was observed. iii) The Third level of DWT having highest performance means that the brain is more active in the frequency range 0-16Hz in up/down cursor movements. iv) The parameters having the most important role in determining the effective channel are sum and mean values.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Wu Ting, Yan Guo-zheng, Yang Bang-hua, Sun Hong (2008). EEG feature extraction based on wavelet packet decomposition for brain computer interface. School of Electronic, Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200030, China. (618-625)
  • Qin L, Jia-Bo H, Jian Z, Si-Da L, Yun X (2015). Feature Selection and Recognition of Electroencephalogram signals: An Extreme Learning Machine and Genetic Algortihm Based Approach. Proceedings of the 2015 International Conference on Machine Learning and Cybernetics, Guangzhou, 12-15 July, 2015
  • Teplan, M (2002). Fundamentals Of EEG Measurement, Measurement Science Review, Volume 2, Section 2: 1-11.
  • Tepe, C (2009). EKG Sinyalinde Gürültü Gidermede Dalgacık Dönüşümü Kullanılması. Yüksek Lisans Tezi, 19 Mayıs Üniversitesi Fen Bilimleri Enstitüsü, Samsun, 26.
  • Şengil, E. (2004). Beyin Bilgisayar Arayüzü (BCI). Yüksek Lisans Tezi, İTÜ Fen Bilimleri Enstitüsü, İstanbul, 7.
  • Ochoa J. B., Molina G. G., Ebrahimi T., 2002. EEG Signal Classification for Brain Computer Interface Applications, Ecole Polytechnique Federale De Lausanne,
  • Polat, H. (2016). Görsel-İşitsel Kaynaklı Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Yüksek Lisans Tezi, Dicle Üniversitesi Fen Bilimleri Enstitüsü, Diyarbakır, 42-43.
  • Misiti, M., Misiti, Y., Oppenheim, G., Poggi, J.M. (1997). Wavelet Toolbox For Use with Matlab. The MathWorks Inc., United States.
  • Luis A. Berrueta, Rosa M. Alonso-Salces, K´aroly H´eberger B. (2007) Supervised pattern recognition in food analysis. Journal of Chromatography A, 1158, 196–214.
  • Erişti, H. (2010). Güç Kalitesi İçin Dalgacık Dönüşümü Ve Destek Vektör Makine Tabanlı Bir Olay Tanıma Tekniğinin Geliştirilmesi. Doktora Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ, 13.
  • Benjamin B., (2004). The BCI Competition 2003: Progress and Perspectives in Detection and Discrimination of EEG Single Trials. IEEE Transactions on Biomedical Engineering, Vol. XX.
  • Aydemir, Ö. (2008). Beyin Bilgisayar Arayüzü Uygulamalarına Yönelik EEG İşaretleri İçin Öznitelik Çıkarma. Yüksek Lisans Tezi, KTÜ Fen Bilimleri Enstitüsü, Trabzon, 7-8, 40.
  • Altınbaş, A. (2007). EMG Sinyallerinin Kısa Zamanlı Fourier Dönüşümü Ve Dalgacık Dönüşümü Kullanarak Analiz Edilmesi. Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 39.
APA ÖZERDEM M, EMHAN Ö (2017). Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(3), 587 - 598.
Chicago ÖZERDEM MEHMET SİRAÇ,EMHAN Ömer Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 8, no.3 (2017): 587 - 598.
MLA ÖZERDEM MEHMET SİRAÇ,EMHAN Ömer Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol.8, no.3, 2017, ss.587 - 598.
AMA ÖZERDEM M,EMHAN Ö Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2017; 8(3): 587 - 598.
Vancouver ÖZERDEM M,EMHAN Ö Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2017; 8(3): 587 - 598.
IEEE ÖZERDEM M,EMHAN Ö "Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi." Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8, ss.587 - 598, 2017.
ISNAD ÖZERDEM, MEHMET SİRAÇ - EMHAN, Ömer. "Yukarı-Aşağı imleç hareketlerine ilişkin EEG kayıtlarında en etkin kanalın belirlenmesi". Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 8/3 (2017), 587-598.