Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları

Yıl 2023, Cilt: 38 Sayı: 4, 2397 - 2408, 12.04.2023

Cem Bulut , Tuğçe Ballı , Emrullah Fatih Yetkin

https://doi.org/10.17341/gazimmfd.978895

Cited By: 1

Öz

Beyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.

Anahtar Kelimeler

BBA, EEG, bant gücü, öznitelik seçme, sınıflandırma

Kaynakça

• 1. Blankertz B., Dornhege G., Krauledat M., Muller K.R., Kunzmann V., Losch F., Curio G., The Berlin Brain-Computer Interface: EEG-based communication without subject training, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14 (2), 147-152, 2006.
• 2. Abiri R., Borhani S., Sellers E.W., Jiang Y., Zhao X., A comprehensive review of EEG-based brain–computer interface paradigms, Journal of neural engineering, 16 (1), 011001, 2019.
• 3. Lotte F., Bougrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F., A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update, Journal of neural engineering, 15 (3), 031005, 2018.
• 4. Zhang W., Tan C., Sun F., Wu H., Zhang B., A review of EEG-based brain-computer interface systems design, Brain Science Advances, 4 (2), 156-167, 2018.
• 5. Sadiq M. T., Y.X., Yuan Z., Aziz M. Z., Siuly S., Ding W., Toward the Development of Versatile Brain–Computer Interfaces, IEEE Transactions on Artificial Intelligence, 2 (4), 314-328, 2021.
• 6. Gupta A., Agrawal R. K., Kirar J. S., Andreu-Perez J., Ding W.-P., Lin C.-T., Prasad M., On the Utility of Power Spectral Techniques With Feature Selection Techniques for Effective Mental Task Classification in Noninvasive BCI, IEEE Transactions on Systems, Man and Cybernetics: Systems, 51 (5), 3080-3092, 2021.
• 7. Malan N. S., Sharma S., Feature selection using regularized neighbourhood component analysis to enhance the classification performance of motor imagery signals, Computers in biology medicine, 107, 118-126, 2019.
• 8. Rezaei, E., Shalbaf, A., Classification of Right/Left Hand Motor Imagery by Effective Connectivity Based on Transfer Entropy in EEG Signal, Basic and Clinical Neuroscience (BCN), 2021.
• 9. Joadder A.M., Myszewski J., Rahman M.H., Wang I., A performance based feature selection technique for subject independent MI based BCI, Health information science systems, 7 (1), 1-10, 2019.
• 10. Applied Neuroscience. NeuroGuide Help Manual. Neuro Guide. https://www.appliedneuroscience.com/PDFs/NeuroGuide_Manual.pdf., Erişim tarihi Ekim 02, 2021.
• 11. Soekadar S., Neuroprosthetic control of an EEG-EOG BNCI system by a paralyzed patient with high spinal cord injury, https://lampx.tugraz.at/~bci/database/002-2015/description.pdf, Erişim tarihi Şubat 02, 2021.
• 12. Soekadar S., W.M., Vitiello N., Birbaumer N., An EEG/EOG-based hybrid brain-neural computer interaction (BNCI) system to control an exoskeleton for the paralyzed hand, Biomedical Engineering / Biomedizinische Technik, 60 (3), 199-205, 2015.
• 13. Wahid M.F., Tafreshi R., Recognition of Upper-limb Movement Using Electroencephalogram Signals with Deep Learning, 2020 IEEE 5th Middle East and Africa Conference on Biomedical Engineering (MECBME), Amman-Ürdün, 27-29 Ekim, 2020.
• 14. Forman G., An extensive empirical study of feature selection metrics for text classification, Journal of machine learning research, 3, 1289-1305, 2003.
• 15. Ladha L., Deepa T., Feature selection methods and algorithms, International journal on computer science and engineering (IJCSE), 3 (5), 1787-1797, 2011.
• 16. Weinmann M., Jutzi B., Hinz S., Mallet C., Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers, ISPRS Journal of Photogrammetry and Remote Sensing, 105, 286-304, 2015.
• 17. Roffo G., Melzi S., Features selection via eigenvector centrality, Proceedings of new frontiers in mining complex patterns (NFMCP 2016), 2016.
• 18. Kononenko I., Estimating Attributes: Analysis and Extensions of RELIEF, European conference on machine learning (ECML-94), İtalya, 171-182, 6-8 Nisan, 1994.
• 19. Roffo G., Melzi S., Castellani U., Vinciarelli A., Infinite Latent Feature Selection: A Probabilistic Latent Graph-Based Ranking Approach, Proceedings of the IEEE International Conference on Computer Vision, Venedik-İtalya, 1398-1406, 25-27 Ekim, 2017.
• 20. He X., Cai D., Niyogi P., Laplacian score for feature selection, Advances in neural information processing systems, 18, 507-514, 2005.
• 21. Cai D., Zhang C., He X., Unsupervised feature selection for multi-cluster data, Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining, Washington DC-ABD, 333-342, 25-28 Temmuz, 2010.
• 22. Roffo G., Castellani U., Vinciarelli A., Cristani M., Infinite feature selection: a graph-based feature filtering approach, IEEE Transactions on Pattern Analysis Machine Intelligence, 2020.
• 23. Roffo G., Simone M., Feature selection via eigenvector centrality, New Frontiers in Mining Complex Patterns in conjunction with ECML/PKDD, Riva del Garda-İtalya, 2016.
• 24. Yang Y., Shen H. T., Ma Z., Huang Z., Zhou X., L2, 1-norm regularized discriminative feature selection for unsupervised learning, IJCAI international joint conference on artificial intelligence, Barselona-İspanya, 1589-1594, 19-22 Temmuz, 2011.
• 25. Chormunge S., Jena S., Correlation based feature selection with clustering for high dimensional data, Journal of Electrical Systems and Information Technology, 5 (3), 542-549, 2018.
• 26. Zeng H., Cheung Y., Feature selection and kernel learning for local learning-based clustering, IEEE transactions on pattern analysis machine intelligence, 33 (8), 1532-1547, 2010.
• 27. McLachlan G.J., Discriminant analysis and statistical pattern recognition, John Wiley & Sons, 583, 2005.
• 28. Kamiński B., Jakubczyk M., Szufel P.s, A framework for sensitivity analysis of decision trees, Central European journal of operations research, 26 (1), 135-159, 2018.
• 29. Ho T. K., The random subspace method for constructing decision forests, IEEE transactions on pattern analysis machine intelligence, 20 (8), 832-844, 1998.
• 30. Chen Y.W., Lin C.J., Combining SVMs with various feature selection strategies, Feature extraction, Springer, 315-324, 2006.
• 31. Bulea T.C., Prasad S., Kilicarslan A., Contreras-Vidal J. L., Sitting and standing intention can be decoded from scalp EEG recorded prior to movement execution, Frontiers in neuroscience, 8, 376, 2014.