Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması

Onursal Çetin; Feyzullah Temurtaş

doi:10.5798/dicletip.534819

Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması

Abstract

Amaç: Bu çalışmanın amacı, beyin aktivitesini çözmek için Manyetoensefalografi (MEG) sinyallerini yapay sinir ağı ile sınıflandırmaktır.

Yöntemler: MEG sinyallerini sınıflandırmak için Genelleştirilmiş Regresyon Sinir Ağı (GRSA) kullanılmıştır. Riemannian yaklaşımı ile sinyallerin öznitelikleri çıkarılmış ve 10 katlı çapraz doğrulama tekniği ile GRSA’nın doğruluğu hesaplanmıştır.

Bulgular: Çalışmada 9 kız, 7 erkek bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır. Her bireye yaklaşık 588 uyaran gösterilmiştir ve böylece tüm veri seti 9414 uyarandan oluşmaktadır. Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir. Bu çalışma ve aynı MEG veri setini kullanan diğer çalışmalar tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak sunulmuştur.

Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.

Keywords

Manyetoensefalografi,Genelleştirilmiş regresyon sinir ağı,Sınıflandırma

References

1. Bascil MS, Tesneli AY, Temurtas F. A study on analog and digital EEG signal filtering for brain computer ınterfaces (BCI). Electronic Letters on Science&Engineering 2014; 10: 1-10.
2. Olivetti E, Kia SM, Avesani P. MEG decoding across subjects. International Workshop on Pattern Recognition in Neuroimaging 2014; doi: 10.1109/PRNI.2014.6858538.
3. Caliskan A, Yuksel ME, Badem H, Basturk A. A deep neural network classifier for decoding human brain activity based on Magnetoencephalography. Elektronika ir Elektrotechnika 2017; 23: 63-7.
4. Cetin O, Temurtas F. Öğrenmeli vektör kuantalama ile beyin bilgisayar arayüzü üzerine bir çalışma. Sakarya University Journal of Computer and Information Sciences 2018; 1: 1 7.
5. Gulbag A, Temurtas F. A study on quantitative classification of binary gas mixture using neural networks and adaptive neuro-fuzzy inference systems. Sensors and Actuators B 2006; 115: 252-62.
6. Abadi MK, Subramanian R, Kia SM, Avesani P, Patras I, Sebe N. DECAF: MEG-based multimodal database for decoding affective physiological responses. IEEE Trans. Affective Computing 2015; 6: 209-22.
7. Chan AM, Halgren E, Marinkovic K, Cash SS. Decoding word and category-specific spatiotemporal representations from MEG and EEG. NeuroImage 2011; 54: 3028-39.
8. Daliri MR. A hybrid method for the decoding of spatial attention using the MEG brain signals. Biomedical Signal Processing and Control 2014; 10: 308-12.

9. Kia SM, Pedregosa F, Blumenthal A, Passerini A. Group-level spatio-temporal pattern recovery in MEG decoding using multi-task joint feature learning. Journal of Neuroscience Methods 2017; 285: 97-108.
10. Huttunen H, Kauppi JP, Tohka J. Regularized logistic regression for mind reading with parallel validation. ICANN 2011 International Conference on Artificial Neural Networks, Pattern Analysis, Statistical Modelling and Computational Learning2 MEG Mind-Reading 2011; 20-24.
11. Kia SM, Vega Pons S, Weisz N, Passerini A. Interpretability of multivariate brain maps in linear brain decoding: Definition, and heuristic quantification in multivariate analysis of MEG time-locked effects. Frontiers in Neuroscience 2017; 10: 619; doi: 10.3389/fnins.2016.00619
12. Redcay E, Carlson TA. Rapid neural discrimination of communicative gestures. Social Cognitive and Affective Neuroscience 2015; 10: 545-51.
13. Ursulean R, Lazar AM. Detrended cross-correlation analysis of biometric signals used in a new authentication method. Elektronika ir Elektrotechnika 2009; 89: 55-8.
14. Raudonis V, Narvydas G, Simutis R. A classification of flash evoked potentials based on artificial neural network. Elektronika ir Elektrotechnika 2008; 81: 31-6.
15. Barachant A, Bonnet S, Congedo M, Jutten C. Multiclass brain–computer interface classification by Riemannian geometry. IEEE Trans. Biomedical Engineering 2012; 59: 920-28.
16. Yger F, Berar M, Lotte F. Riemannian approaches in brain computer interfaces: a review. IEEE Trans. Neural Systems and Rehabilitation Engineering 2017; 25: 1753-62.
17. Henson RN, Wakeman DG, Litvak V, Friston KJ. A parametric empirical Bayesian framework for the EEG/MEG inverse problem: generative models for multi-subject and multi-modal integration. Frontiers in Human Neuroscience 2011; 5: 76.
18. Cetin O, Temurtas F, Gulgonul S. An application of multilayer neural network on hepatitis disease diagnosis using approximations of sigmoid activation function. Dicle Medical Journal 2015; 42: 150-7.
19. Ulaşabileceği adres: https://www.kaggle.com/c/decoding-the-human-brain
20. Moakher M. A differential geometric approach to the geometric mean of symmetric positive-definite matrices. SIAM Journal on Matrix Analysis and Applications 2005; 26: 735-47.
21. Ulaşabileceği adres: https://github.com/alexandrebarachant/covariancetoolbox
22. Pennec X, Fillard P, Ayache N. A Riemannian framework for tensor computing. International Journal of Computer Vision 2006; 66: 41-66.
23. Specht DF. A general regression neural network. IEEE Transactions on Neural Networks 1991; 2: 568-76.
24. Specht DF, Shapiro PD. Generalization accuracy of probabilistic neural networks compared with backpropagation networks. IJCNN-91-Seattle International Joint Conference on Neural Networks 1991;887-92; doi: 10.1109/IJCNN.1991.155296.
25. Bascil MS, Cetin O, Er O, Temurtas F. Olasılıksal sinir ağının (PNN) parkinson hastalığının teşhisinde kullanılması. Electronic Letters on Science&Engineering 2012; 8: 1-10.
26. Gorur K, Bozkurt MR, Bascil MS, Temurtas F. Glossokinetic potential based tongue-machine interface for 1-D extraction. Australas Phys Eng Sci Med 2018; 41: 379-91.
27. Bascil MS, Oztekin H. A study on hepatitis disease diagnosis using probabilistic neural network. Journal of Medical Systems 2012; 36: 1603-6.

Details

Primary Language

Turkish

Subjects

Health Care Administration

Journal Section

Research Article

Authors

Onursal Çetin ^*
0000-0001-5220-3959

Feyzullah Temurtaş This is me
0000-0002-3158-4032

Publication Date

March 3, 2019

Submission Date

July 13, 2018

Acceptance Date

November 26, 2018

Published in Issue

Year 2019 Volume: 46 Number: 1

DOI

https://doi.org/10.5798/dicletip.534819

IZ

https://izlik.org/JA57BP49ZW

Cite

RIS / Bibtex

APA

Çetin, O., & Temurtaş, F. (2019). Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Medical Journal, 46(1), 19-25. https://doi.org/10.5798/dicletip.534819

AMA

1.Çetin O, Temurtaş F. Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Medical Journal. 2019;46(1):19-25. doi:10.5798/dicletip.534819

Chicago

Çetin, Onursal, and Feyzullah Temurtaş. 2019. “Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı Ile Sınıflandırılması”. Dicle Medical Journal 46 (1): 19-25. https://doi.org/10.5798/dicletip.534819.

EndNote

Çetin O, Temurtaş F (March 1, 2019) Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Medical Journal 46 1 19–25.

IEEE

[1]O. Çetin and F. Temurtaş, “Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması”, Dicle Medical Journal, vol. 46, no. 1, pp. 19–25, Mar. 2019, doi: 10.5798/dicletip.534819.

ISNAD

Çetin, Onursal - Temurtaş, Feyzullah. “Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı Ile Sınıflandırılması”. Dicle Medical Journal 46/1 (March 1, 2019): 19-25. https://doi.org/10.5798/dicletip.534819.

JAMA

1.Çetin O, Temurtaş F. Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Medical Journal. 2019;46:19–25.

MLA

Çetin, Onursal, and Feyzullah Temurtaş. “Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı Ile Sınıflandırılması”. Dicle Medical Journal, vol. 46, no. 1, Mar. 2019, pp. 19-25, doi:10.5798/dicletip.534819.

Vancouver

1.Onursal Çetin, Feyzullah Temurtaş. Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması. Dicle Medical Journal. 2019 Mar. 1;46(1):19-25. doi:10.5798/dicletip.534819

Cited By

Yapay Sinir Ağları Yöntemi ile İkinci Kuşak Akım Taşıyıcının Performans Parametrelerinin Tahmin Edilmesi

Mühendislik Bilimleri ve Araştırmaları Dergisi

https://doi.org/10.46387/bjesr.632631

Improved machine learning performances with transfer learning to predicting need for hospitalization in arboviral infections against the small dataset

Neural Computing and Applications

https://doi.org/10.1007/s00521-021-06133-0

A comparative study on classification of magnetoencephalography signals using probabilistic neural network and multilayer neural network

Soft Computing

https://doi.org/10.1007/s00500-020-05296-7

Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması

Görsel Uyaranlara İlişkin Manyetoensefalografi Sinyallerinin Genelleştirilmiş Regresyon Sinir Ağı ile Sınıflandırılması

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

Yapay Sinir Ağları Yöntemi ile İkinci Kuşak Akım Taşıyıcının Performans Parametrelerinin Tahmin Edilmesi

Improved machine learning performances with transfer learning to predicting need for hospitalization in arboviral infections against the small dataset

A comparative study on classification of magnetoencephalography signals using probabilistic neural network and multilayer neural network

Classification of Autism Spectrum Disorder for Adolescents Using Artificial Neural Networks

EEG-Driven Biometric Authentication for Investigation of Fourier Synchrosqueezed Transform-ICA Robust Framework

Brain Decoding over the MEG Signals Using Riemannian Approach and Machine Learning