Parmak hareketlerine ilişkin ECoG örüntülerin AR tabanlı öznitelikler ile sınıflandırılması

Year 2014, Volume: 5 Issue: 2, 89 - 97, 01.12.2014

Mehmet Siraç Özerdem Kerim Karadağ

Abstract

Bu çalışmasında, ECoG kayıtları kullanılarak parmak hareketlerinin sınıflandırılması amaçlanmıştır.
Çalışmada BCI Competition IV yarışmasında sunulan Data set IV isimli veri kümesi kullanılmıştır. Veri
kümesinde üç epilepsi hastasına ilişkin ECoG kayıtları ve parmak hareketlerini gösteren elektronik eldiven
kayıtları yer almaktadır. Eldiven kayıtları referans alınarak, parmak hareketlerinin yer aldığı ECoG
bölütleri belirlenmiştir. Farklı uzunluklardaki belirlenen bölütlerin öznitelik vektörleri, özbağlanımlı (AR)
modelleme ile elde edilmiştir. Öznitelik vektörleri kNN ve DVM yöntemleri ile sınıflandırılmıştır.
Sınıflandırıcı açısından bakıldığında, DVM yönteminin kNN sınıflandırıcısına göre daha iyi bir performans
sergilediği görülmektedir. DVM ile yapılan sınıflandırılma işleminde, her üç denek için iki parmağın
sınıflandırma başarı ortalaması %87.35, üç parmağın sınıflandırma başarı ortalaması %66.97, dört
parmağın sınıflandırma başarı ortalaması %50.06 ve tüm parmakların sınıflandırma başarı ortalaması
%34.41 olarak elde edilmiştir. kNN ile yapılan sınıflandırılma işleminde, her üç denek için iki parmağın
sınıflandırma başarı ortalaması %75.35, üç parmağın sınıflandırma başarı ortalaması %55.50, dört
parmağın sınıflandırma başarı ortalaması %39.00 ve tüm parmakların sınıflandırma başarı ortalaması
%31.90 olarak elde edilmiştir.
AR katsayıları açısından bakıldığında, çoğunlukla m=3 katsayı ile en yüksek başarımların elde edildiği
görülmüştür. Denekler açısından bakıldığında, tüm sınıflandırma işlemlerinde denek 1’in en yüksek
sınıflandırma performansına sahip olduğu görülmektedir. Denek 2 ve denek 3’ün sınıflandırılacak parmak
sayısına göre farklı performanslar sergiledikleri görülmektedir.
Sınıflandırılan parmak sayısı açısından bakıldığında, ayrıştırılacak parmak sayısının artması ile başarı
oranı dramatik olarak düştüğü görülmektedir. Sınıf sayısının artması ile hem DVM hem de kNN
sınıflandırıcı performanslarının oldukça düşük seviyelerde yer aldığı görülmektedir.

Keywords

ECoG, Parmak hareketleri, özbağlanımlı modelleme, DVM, kNN, Sınıflandırma

Classification of ECoG patterns related to finger movements with AR based features

Abstract

Classification of electrocorticography (ECoG)
records related to finger movement is the main
purpose of this study. Data set IV presented in BCI
Competition IV was used in this paper. This data set
contains brain signals from three epileptic subjects
and the data records consist of both ECoG and
electronic glove data. ECoG segments related finger
movements were extracted by means of finger
movement records generated by electronic glove.
Features of segments having different data points
were extracted using autoregressive (AR) model.
The AR coefficients were classified with Support
Vector Machine (SVM) and K nearest neighbors
(kNN) classifiers.
AR coefficients were calculated using the least
squares method. To get the acceptable result, the AR
coefficients were calculated in the range of [3-10]
order. At the end of the analysis, the third-order AR
coefficients produces acceptable results were
observed.
k nearest neighbor (kNN) algorithm was introduced
by Dasarathy in1991. It is a machine learning
algorithm that reads a set of labeled training set,
and then it is used to classify an unlabeled testing
set. In order to classify a testing pattern, it computes
the distance between testing pattern and all the
training patterns. Then, the k training patterns of
closest distance to the testing pattern are used to
determine the class of testing pattern. To get the
acceptable results in our classification problem, the
distance of patterns were calculated with the k
parameter in the range of [1-10] order. At the end of
the analysis, generally the highest classification
performances were observed with small k values.
Support vector machine (SVM) is a discriminative
classifier formally defined by a separating
hyperplane. In other words, SVMs are based on the
concept of decision planes that define decision
boundaries. A decision plane is one that separates
between a set of objects having different class
memberships. In our study, SVM was used to classify
the ECoG patterns with the kernel of radial base
function. At the end of the SVM classification, the
optimal values were obtained for regularization and
sigma parameters of SVM.
To find the finger which is hardest to classify among
all fingers, different applications were achieved. In
the first application, it consists of two classes for P1
and P5. In the second application, it consists of
three classes for P1, P2 and P5. In the third
application, it consists of four classes for P1, P2, P3
and P5. In the last application, it consists of five
classes for P1, P2, P3, P4 and P5.The results
showed that performances were decreased with
increasing of classes, which was also an expected
result.
We listed the performances of SVM and kNN
methods. We found that the SVM method yielded the
best performance in classifying the ECoG pattern
related to finger movements.
For the SVM classifier, the mean performances of
three subjects were obtained as follows;
classification rate 87.35% for two fingers,
classification rate 66.97% for three fingers,
classification rate 50.06% for four fingers and
classification rate 34.41% for five fingers.
For the kNN classifier, the mean performances of
three subjects were obtained as follows;
classification rate 75.35% for two fingers,
classification rate 55.50% for three fingers,
classification rate 39.00% for four fingers and
classification rate 31.90% for five fingers.
The results showed that we need different
approaches to impove the performances. To get the
higher performance, more effective methods should
be improved. In the future work, we focused on this
problem.

Keywords

ECoG, finger movements, AR, SVM, kNN, classifications