Elektroensefalografi (EEG) beyin aktivitelerinin ölçümünü sağlayan ve girişimsel olmayan bir yöntemdir. Elektrofizyolojik kaynağına göre yedi farklı EEG kayıt türü mevcuttur. Bunlar arasında görsel uyaranlar eşliğinde alınan EEG de mevcuttur. Son zamanlarda görsel uyaranların belli bir sıklıkla gösterildiği durağan durum görsel uyaran potansiller (DDGUP) sıklıkla beyin bilgisayar arayüzlerinde (BBA) kullanılmaya başlanmıştır. Literatürde DDGUP sinyallerinden deneklerin odaklandıkları objelerin tespiti üzerine odaklanılmıştır. Oysa ki, sadece odaklanılan nesne bilgisi değil aynı zamanda uyaranın gösterilme sıklığı DDGUP sinyalinin içine girmektedir. Üstelik DDGUP sinyalleri durağan olmadığından öznitelik çıkarımı için dalgacık dönüşümü etkili bir yöntemdir. Ancak dalgacık dönüşümü öncesi kullanılacak ana dalgacık türünün belirlenmesi gerekir. Bu çalışmada, DDGUP sinyalinden uyartım sıklığının belirlenmesi için farklı ana dalgacık türlerinden çıkarılan temel öznitelikler farklı sınıflandırıcılara uygulanmıştır. Sekiz farklı uyaran frekansında kayıt edilen DDGUP sinyalinden iyi bilinen EEG frekans bantlarında yer alan enerji, varyans ve entropi gibi öznitelikler çıkarılmıştır. Altı farklı dalgacık fonksiyonu (Haar, Daubechies, Symlet, Coiflet, Biorthogonal, Reverse Biorthogonal) bu amaçla kullanılmıştır. Ayrıca, çok sayıdaki özniteliklerden etkili olanların tespit edilmesi için varyans analizi (ANOVA) de gerçekleştirilmiştir. Altı temel sınıflandırıcı ile DDGUP sinyalleri sınıflandırılmış ve sınıflandırıcı performansları birbirleri ile karşılaştırılmıştır. Elde edilen sonuçlara göre ANOVA ile öznitelik seçiminin sınıflandırıcı performanslarını düşürdüğü görülmüştür. Ayrıca denekler tek olarak dikkate alındığında her denek için en yüksek başarıma farklı sınıflandırıcı ve ana dalgacık türünde ulaşıldığı görülmüştür. Tüm denekler birlikte değerlendirildiğinde ise, topluluk sınıflandırma (Ensemble learner) algoritması ile Reverse Biorthogonal ana dalgacığı kullanılarak elde edilen öznitelikler birlikte kullanıldığında, uyaran frekansı en yüksek doğrulukla tespit edilebilmiştir. Sonuç olarak, uyartım sıklık bilgisinin SSVEP içerisinden çıkarılması halinde daha yüksek doğrulukla çalışan BBA cihazlarının tasarlanabileceği düşünülmektedir.
Sınıflandırıcı dalgacık dönüşümü beyin-bilgisayar arayüzü durağan-durum görsel-uyaran potansiyelleri vaynas analizi öznitelik seçimi
Yazarlar olarak, veri setini sağlayan ve veri seti ile ilgili her türlü sorumuzu cevaplayan Adnan Vilic’e teşekkür ederiz.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Makaleler |
Authors | |
Publication Date | March 5, 2021 |
Submission Date | December 25, 2019 |
Acceptance Date | September 27, 2020 |
Published in Issue | Year 2021 Volume: 36 Issue: 2 |