Farklı Hikayelerden Kaynaklı Oluşan Duyguların EEG İşareti Üzerine Yansıması

Öz

Bu çalışmada; farklı hikayelerden kaynaklı oluşan duyguların Elektroensefalogram (EEG) işareti üzerine yansımasının incelenmesi amaçlanmıştır. Bu yansımada, EEG işaretinin güç spektral yoğunluğu (GSY) dikkate alınmıştır. EEG işareti beyin sinir hücrelerinin elektriksel aktivitelerinin yansıması olup, beyin fonksiyonları için önemli bilgiler içermektedir. Kişiler farklı yaklaşımlarla uyarıldıklarında, EEG işaretleri farklı özellikler gösterir. Duyguların EEG üzerine olan etkisinin incelenmesinde, EEG’nin önemli alt bantlarını kapsayan 0-32Hz frekans aralığı kullanılmıştır. EEG işaretinin ilgilenilen frekans aralığında filtrelenebilmesi için ayrık dalgacık dönüşümü kullanılmıştır. Ayrık dalgacık dönüşümü geçici özellikler barındıran işaretlerin zaman – frekans analizinde etkili bir yöntemdir. İlgili frekans aralığında filtrelenen EEG işaretlerinin güç spektral kestirimleri, Burg yöntemi ile elde edilmiştir. Sonuçta, hikayelerden kaynaklı oluşan farklı duyguların, EEG işaretinde farklı GSY değerlerinin oluşumuna neden olduğu görülmüştür. Bu yansımaya benzer çalışmalar literatürde yer almaktadır ve elde edilen sonuçlar çalışılan benzer çalışmaları desteklemektedir.

Anahtar Kelimeler

• EEG İşareti,Ayrık dalgacık dönüşümü,,Duygu,EEG,Güç Spektral Yoğunluk

Kaynakça

1. Adeli, H., Zhou, Z. and Dadmehr N., Analysis of EEG records in an epileptic patient using wavelet transform, Journal of Neuroscıence Methods, Vol 123, Iss 1, 2003, pp. 68-87.
2. Sharma,R., Pachori, R. B., Classification of epileptic seizures in EEG signals based on phase space representation of intrinsic mode functions, Expert Systems with Applications 42, 2015, pp. 1106–1117.
3. Crespel,A. Gélisse,P., Bureau M. and Genton,P., Atlas of Electroencephalography, Third ed., J Libbey Eurotext, Paris, 2006.
4. Başar, E., Eroglu C.,Karaka,S., Schurmann, M., Brain oscillations in perception and memory, International Journal of Psychophysiology, 2000, 35, pp. 95-124.
5. Güntekin, B., Saatçi, E., Yener G., Decrease of evoked delta, theta and alpha coherences in Alzheimer patients during a visual oddball paradigm, Brain Research, Volume 1235, 2008, pp. 109-116.
6. Atagün, M.I., Güntekin, B., Ozerdem, A., Tülay, E., Basar, E., online first article. Decrease of theta response in euthymic bipolar patients during an oddball paradigm, Cognitive Neurodynamics, Volume 7, Issue 3, 2013, pp. 213-223.
7. Güntekin, B., Başar, E., A review of brain oscillations in perception of faces and emotional pictures, Neuropsychologia 58, 2014, pp. 33-51.
8. Güntekin, B., Basar, E., Event-related beta oscillations are affected by emotional eliciting stimuli, Neuroscience Letters, 483, 2010, pp. 173–178.

9. Liu, Y, Sourina, O, & Nguyen, M. K. Real-time EEG-based emotion recognition and its applications. In Transactions on computational science XII, Berlin, Heidelberg,. Marina L. Gavrilova and C. J. Kenneth Tan (Eds.). Springer-Verlag., 2011, pp. 256-277.
10. Murugappan, M, Nagarajan, R, & Yaacob, S. Appraising human emotions using time frequency analysis based EEG alpha band features. In Innovative Technologies in Intelligent Systems and Industrial Applications, CITISIA 2009, pp. 70-75.
11. Schaaff, K., Schultz, T., Toward Emotion Recognation from Electroencephalographic Signals, 3th İnternational Conference on Affective Computing and Intelligent Interaction and Workshop, Netherlands, 2009, pp. 1-6.
12. Lin, Y. P., Wang, C. H., Jung, T. P., Wu, T. L., Jeng, S. K., Duann, J. R., Chen, J. H., EEG-Based Emotion Recognition in Music Listening, IEEE Transaction on Biomedical Engineering, 57 (7), 2010, pp. 1798-1806
13. Wang, X. W., Nie, D., Lu, B. L., Emotional state classification from EEG data using machine learning approach, Neurocomputing, 129, 2014, 94-106.
14. Subasi, A., Signal Classification Using Wavelet Feature Extraction and a Mixture of Expert Model", Expert Systems with Applications, 2007, pp. 1084–1093.
15. Onton, J., Makeig, S., High- frequency broadband modulations of electrophalographic spectra, Frontiers in Neuroscience 159, 2009, pp. 99-120.
16. Subaşı, A., Erçelebi, E., Classification of EEG signals using neural network and logistic regression, Computer Methods and Programs in Biomedicine, 2005, 78, pp. 87-99.
17. Ocak, H., Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm, Signal Processing, 88, 2008, pp. 1858-1867.
18. Daubechies I., The wavelet transform, time-frequency localization and signal analysis, IEEE Transaction on Information Theory, 36., 1990, pp. 961-1005.
19. Übeyli, E. D., Güler, İ., Dalgacık Dönüşümü ile EEG İşaretlerinden Çıkarılan Öznitelik Vektörleri Üzerine İstatistiksel İşlemlerin Gerçekleştirilmesi, Elektrik Elektronik- Bilgisayar Sempozyumu, Bursa, 2004, pp. 230-234.
20. Falamarzi Y., Palizdan N., Huangb Y. F. & Lee, T.S. , Estimating evapotranspiration from temperature and wind speeddata using artificial and wavelet neural networks (WNNs), Agricultural Water Management, 140, 2014, pp. 26–36.
21. Zahran,O., Kasban,H., Abd El-Saimie,F.E.,El-Kordy,M., Power density spectrum for the identification of residence time distribution signals, Applied Radiation and Isotopes.Vol 70, Iss 11, 2012, pp. 2638-2645
22. Hayes, M.H., Statistical Digital Signal Processing and Modelling, New York: John Wiley and Sons, 1996.
23. Yılmaz, A. S., Alkan, A., Investigation Power System Transient Disturbances in Frequency and Time – Frequency Domains, Journal of Engineering and Natural Sciences Mühendislik ve Fen Bilimleri Dergisi, 32, 2014, pp. 154-162.