Estimation of Three Distinct Frequencies Using Fourier Transform of Steady-State Visual-Evoked Potentials

Year 2020, , 2337 - 2343, 29.10.2020

Ebru Sayılgan , Yilmaz Yüce , Yalçın İşler

https://doi.org/10.29130/dubited.716386

Cited By: 4

Abstract

Steady-state visual evoked potentials (SSVEP) are frequently used in EEG studies as they have relatively high signal-to-noise ratios and information transfer rates compared to other brain computer interface (BCI) techniques. Also, steady state paradigms are used to characterize the frequencies preferred in dynamic neocortex processes. SSVEPs, which have a short training time, play an important role in practical applications. Signal processing algorithms used to convert signals into command are key to improving the performance of BCI systems. In addition, there are very few studies investigating the classification of SSVEP signals by different methods. In this study, analyzes were made on the data set (AVI SSVEP Dataset) received with open access from the internet. EEG recordings in the dataset were recorded when participants looked at a flashing box at seven different frequencies that changed color from black to white. SSVEP signals recorded from the occipital region were first applied to the Fast Fourier Transform to separate the signal subbands (delta, theta, alpha, beta and gamma). Energy and variance feature vectors are extracted for each subband. Features are classified with six basic classifiers (LDA, k-NN, SVM, Naive Bayes, Ensemble Learner, Decision Tree). Classification performances are compared with each other. Classification was analyzed by extracting accuracy values from 5-fold cross-validation model and confusion matrix. When the participants are considered separately, 100% classification success is achieved in SVM and k-NN classifiers, while the highest performance in the averages is obtained in the Ensemble Learning classifier with the accuracy of 79.73%.

Keywords

Brain-computer interface, Electroencephelogram, Steady-state visually-evoked potentials, Pattern recognition, Classification

Durağan Durum Görsel Uyaran Potansiyellerinden Fourier Dönüşümü ile Üç Farklı Frekansın Kestirimi

Abstract

Durağan durum görsel uyarılmış potansiyeller (DDGUP), diğer beyin bilgisayar ara yüzü (BBA) tekniklerine oranla oldukça yüksek sinyal-gürültü oranları ve bilgi aktarım hızına sahip oldukları için EEG çalışmalarında sıkça kullanılır. Ayrıca durağan durum paradigmaları, dinamik neokorteks süreçlerinde tercih edilen frekansları karakterize etmek için de kullanılır. Kısa eğitim süresine sahip olan DDGUP’lar, pratik uygulamalarda önemli bir rol oynar. Sinyalleri komuta dönüştürmekte kullanılan, sinyal işleme algoritmaları, BBA sistemlerinin performansını arttırmak için kilit öneme sahiptir. Buna ek olarak, DDGUP sinyallerinin birbirinden farklı yöntemlerle sınıflandırılmasını araştıran çok az çalışma vardır. Bu çalışmada, internetten açık erişim ile alınan veri seti (AVI SSVEP Dataset) üzerinde analizler yapılmıştır. Veri setindeki EEG kayıtları, katılımcılar, rengi siyahtan beyaza hızla değişen yedi farklı frekansta yanıp sönen bir kutuya baktıkları durumda kaydedilmiştir. Oksipital bölgeden kaydedilen DDGUP sinyalleri ilk olarak Hızlı Fourier Dönüşümü uygulanarak, sinyal alt bantlarına (delta, teta, alfa, beta ve gama) ayrılmıştır. Alt bantların her biri için enerji ve varyans öznitelik vektörleri çıkarılmıştır. Öznitelikler altı temel sınıflandırıcı (LDA, k-NN, SVM, Naive Bayes, Topluluk Öğrenmesi, Karar Ağacı) ile sınıflandırılmıştır. Sınıflandırma performansları birbirleri ile karşılaştırılmıştır. Sınıflandırma 5-kat çapraz doğrulama modeli ve hata matrisinden doğruluk değerleri çıkarılarak analiz edilmiştir. Katılımcılar ayrı ayrı göz önüne alındığında %100’e varan sınıflandırma başarımı SVM ve k-NN sınıflandırıcılarında elde edilirken, ortalamalara göre en yüksek başarım Topluluk Öğrenmesi sınıflandırıcısında %79,73 olarak elde edilmiştir.

Keywords

Beyin-bilgisayar ara yüzü, Elektroensefalogram, Durağan-durum görsel-uyaran potansiyelleri, Örüntü tanıma, Sınıflandırma

References

• [1] J. R. Wolpaw, N. Birbaumer, D. C. McFarland, G. Pfurtscheller, T. M. Vaughan, “Brain–Computer Interfaces for Communication and Control,” Clin. Neurophysiol., c. 113, s. 6, ss. 767-791, 2002.
• [2] D. J. McFarland, J. R. Wolpaw, “Brain-Computer Interfaces for Communication and Control,” Commun. ACM., c. 54, s. 5, ss. 60-66, 2011.
• [3] J. J. Vidal, “Real-Time Detection of Brain Events in EEG,” Proc. IEEE, c. 65, ss. 633–641, 1977.
• [4] Y. J. Wang, R. P. Wang, X. R. Gao ve ark.,“A Practical VEP-Based Brain-Computer Interface,” IEEE Trans. Neural. Syst. Rehabil. Eng., c. 14, ss. 234-239, 2006.
• [5] G. Schalk, D. J. McFarland, T. Hinterberger, N. Birbaumer, J. R. Wolpaw, “BCI2000: A General-Purpose Brain-Computer Interface (BCI) System,” IEEE Trans. Biomed. Eng., c. 51, s. 6, ss. 1034-1043, 2004.
• [6] Y. Wang, X. Gao, B. Hong, C. Jia, S. Gao, “Brain-Computer Interfaces Based on Visual Evoked Potentials,” IEEE Eng. Med. Biol., c. 27, s. 5, ss. 64-71, 2008.
• [7] X. Chen, Y. Wang, M. Nakanishi, X. Gao, T. Jung, S. Gao, “High-Speed Spelling with A Noninvasive Brain-Computer Interface,” PNAS, c. 112, s. 44, ss. E6058-67, 2015.
• [8] AVI Steady-State Visual Evoked Potential (SSVEP) Signals Dataset, A. Vilic, 2013. [Çevrimiçi]. Erişim Adresi: https://www.setzner.com/avi-ssvep-dataset/
• [9] E. Sayilgan, Y. K. Yuce, Y. Isler, “Prediction of Evoking Frequency From Steady-State Visual Evoked Frequency,” Natural and Engineering Sciences, c. 4, s. 3, ss. 91-99, 2019.
• [10] E. Sayilgan, Y. K. Yuce, Y. Isler, “Uyartım Frekansının Kestiriminde İstatistiksel Anlamlılığa Dayalı Olarak Seçilen Durağan Durum Görsel Uyarılmış Potansiyellere Ait Dalgacık Özniteliklerinin Değerlendirilmesi,” Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Hakemlik sürecinde, 2020.
• [11] E. Sayilgan, Y. K. Yuce, Y. Isler, “Determining Gaze Information from Steady-State Visually-Evoked Potentials,” Karaelmas Science and Engineering Journal, Kabul edildi, 2020.
• [12] F. B. Vialatte, M. Maurice, J. Dauwels, A. Cichocki, “Steady State Visually Evoked Potentials: Focus on Essential Paradigms and Future Perspectives,” Progress in Neurobiology, c. 90, s. 4, ss. 418–438, 2010.
• [13] Y. Jung, J. Hu, “A k-Fold Averaging Cross-Validation Procedure,” J. Nonparametr. Stat., c. 27, ss. 1-13, 2015.
• [14] A. Narin, Y. İşler, M. Özer, “Konjestif Kalp Yetmezliği Teşhisinde Kullanılan Çapraz Doğrulama Yöntemlerinin Sınıflandırıcı Performanslarının Belirlenmesine Olan Etkilerinin Karşılaştırılması,” DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, c. 16, s. 48, ss. 1-8, 2014.
• [15] A. Narin, Y. Isler, M. Ozer, “Comparison of the Effects of Cross-Validation Methods on Determining Performances of Classifiers Used in Diagnosing Congestive Heart Failure,” Meas. Sci. Rev., c. 15, s. 4, ss. 196-201, 2015.
• [16] G. Altan, Y. Kutlu, “Generative Autoencoder Kernels on Deep Learning for Brain Activity Analysis,” Natural and Engineering Sciences, c. 3, s. 3, ss. 311–322, 2018.
• [17] R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, 2nd edition, Wiley Interscience, 2001.
• [18] E. Alpaydin, Introduction to Machine Learning, MIT Press, 2004.
• [19] G. Altan, Y. Kutlu, N. Allahverdi, “Deep Belief Networks Based Brain Activity Classification Using EEG from Slow Cortical Potentials in Stroke,” International Journal of Applied Mathematics, Electronics and Computers, c. 4, ss. 205-210, 2016.