Research Article
BibTex RIS Cite

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

Year 2020, Volume: 11 Issue: 1, 57 - 67, 27.03.2020
https://doi.org/10.24012/dumf.584345

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. 

References

  • Akıncı B. (2010). Realization of a cue based motor imagery brain computer interface with its potential application to a wheelchair. Yüksek lisans tezi, Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara. 157
  • Ang, K. K., Chin, Z. Y., Zhang, H., & Guan, C. (2008). Filter bank common spatial pattern (FBCSP) in brain-computer interface. IEEE International Joint Conference on Neural Networks, IEEE World Congress on Computational Intelligence, P. 2390-2397.
  • Aydemir, Ö. (2016). Common spatial pattern-based feature extraction from the best time segment of BCI data. Turkish Journal of Electrical Engineering & Computer Sciences, 24(5), 39763986
  • Belwafi, K., Djemal, R., Ghaffari, F., & Romain, O. (2014, December). An adaptive EEG filtering approach to maximize the classification accuracy in motor imagery. In 2014 IEEE Symposium on Computational Intelligence, Cognitive Algorithms, Mind, and Brain (CCMB) (pp. 121126). IEEE.
  • Cheok, N. S., & Raveendran, P. (2008). Removal of EOG artifacts using ICA regression method. In 4th Kuala Lumpur International Conference on Biomedical Engineering 2008 (pp. 226-229). Springer, Berlin, Heidelberg.
  • Daud, W. B. W., & Sudirman, R. (2011, May). Time frequency analysis of electrooculograph (EOG) signal of eye movement potentials based on wavelet energy distribution. In 2011 Fifth Asia Modelling Symposium (pp. 81-86). IEEE.
  • He, P., Wilson, G., & Russell, C. (2004). Removal of ocular artifacts from electro-encephalogram by adaptive filtering. Medical and biological engineering and computing, 42(3), 407-412.
  • Hsu, W. Y., Lin, C. H., Hsu, H. J., Chen, P. H., & Chen, I. R. (2012). Wavelet-based envelope features with automatic EOG artifact removal: Application to single-trial EEG data. Expert Systems with Applications, 39(3), 2743-2749.
  • Kumar, P. S., Arumuganathan, R., Sivakumar, K., & Vimal, C. (2009). An adaptive method to remove ocular artifacts from EEG signals using wavelet transform. J. Appl. Sci. Res, 5(7), 711-745.
  • Robinson, N., Vinod, A. P., Guan, C., Ang, K. K., & Peng, T. K. (2011). A Wavelet-CSP method to classify hand movement directions in EEG based BCI system. In 2011 8th International Conference on Information, Communications & Signal Processing (pp. 1-5). IEEE.
  • University of Colorado, (2019), Adaptive Filters, Chapter 8, 1-26
Year 2020, Volume: 11 Issue: 1, 57 - 67, 27.03.2020
https://doi.org/10.24012/dumf.584345

Abstract

References

  • Akıncı B. (2010). Realization of a cue based motor imagery brain computer interface with its potential application to a wheelchair. Yüksek lisans tezi, Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara. 157
  • Ang, K. K., Chin, Z. Y., Zhang, H., & Guan, C. (2008). Filter bank common spatial pattern (FBCSP) in brain-computer interface. IEEE International Joint Conference on Neural Networks, IEEE World Congress on Computational Intelligence, P. 2390-2397.
  • Aydemir, Ö. (2016). Common spatial pattern-based feature extraction from the best time segment of BCI data. Turkish Journal of Electrical Engineering & Computer Sciences, 24(5), 39763986
  • Belwafi, K., Djemal, R., Ghaffari, F., & Romain, O. (2014, December). An adaptive EEG filtering approach to maximize the classification accuracy in motor imagery. In 2014 IEEE Symposium on Computational Intelligence, Cognitive Algorithms, Mind, and Brain (CCMB) (pp. 121126). IEEE.
  • Cheok, N. S., & Raveendran, P. (2008). Removal of EOG artifacts using ICA regression method. In 4th Kuala Lumpur International Conference on Biomedical Engineering 2008 (pp. 226-229). Springer, Berlin, Heidelberg.
  • Daud, W. B. W., & Sudirman, R. (2011, May). Time frequency analysis of electrooculograph (EOG) signal of eye movement potentials based on wavelet energy distribution. In 2011 Fifth Asia Modelling Symposium (pp. 81-86). IEEE.
  • He, P., Wilson, G., & Russell, C. (2004). Removal of ocular artifacts from electro-encephalogram by adaptive filtering. Medical and biological engineering and computing, 42(3), 407-412.
  • Hsu, W. Y., Lin, C. H., Hsu, H. J., Chen, P. H., & Chen, I. R. (2012). Wavelet-based envelope features with automatic EOG artifact removal: Application to single-trial EEG data. Expert Systems with Applications, 39(3), 2743-2749.
  • Kumar, P. S., Arumuganathan, R., Sivakumar, K., & Vimal, C. (2009). An adaptive method to remove ocular artifacts from EEG signals using wavelet transform. J. Appl. Sci. Res, 5(7), 711-745.
  • Robinson, N., Vinod, A. P., Guan, C., Ang, K. K., & Peng, T. K. (2011). A Wavelet-CSP method to classify hand movement directions in EEG based BCI system. In 2011 8th International Conference on Information, Communications & Signal Processing (pp. 1-5). IEEE.
  • University of Colorado, (2019), Adaptive Filters, Chapter 8, 1-26
There are 11 citations in total.

Details

Primary Language Turkish
Journal Section Articles
Authors

Zeynelabidin Sevgili 0000-0002-5638-1864

Mehmet Akın 0000-0001-5439-4824

Publication Date March 27, 2020
Submission Date June 29, 2019
Published in Issue Year 2020 Volume: 11 Issue: 1

Cite

IEEE Z. Sevgili and M. Akın, “İmleç Hareketlerine Ait EEG Sinyallerinin Sınıflandırılmasında Adaptif ve Adaptif Olmayan Filtrelerin Uygulamaları”, DUJE, vol. 11, no. 1, pp. 57–67, 2020, doi: 10.24012/dumf.584345.
DUJE tarafından yayınlanan tüm makaleler, Creative Commons Atıf 4.0 Uluslararası Lisansı ile lisanslanmıştır. Bu, orijinal eser ve kaynağın uygun şekilde belirtilmesi koşuluyla, herkesin eseri kopyalamasına, yeniden dağıtmasına, yeniden düzenlemesine, iletmesine ve uyarlamasına izin verir. 24456