EEG İŞARETLERİNİN AYRIŞTIRILMASINDA ALTUZAY YÖNTEMLERİNİN KULLANILMASI

Öz

Anahtar Kelimeler

• -

EEG İŞARETLERİNİN AYRIŞTIRILMASINDA ALTUZAY YÖNTEMLERİNİN KULLANILMASI

Öz

Electroensefalogram (EEG) işaretleri beyin yüzeyinden algılanan düşük genlikli biyoelektrik işaretler olup, beyin fonksiyonları hakkında çok miktarda bilgi içermektedir. Bu sebeple, EEG işaretleri özellikle tıp’ta bir çok beyin rahatsızlıkları nın teşhisinde yaygın olarak kullanılır. Bu çalışmada, sağlıklı ve hasta (epilepsi şikayeti olan) kişilerden toplanan EEG işaretlerinin spektrumlarının incelenmesinde, altuzay yöntemlerinden MUSIC (Multiple Signal Classification) ve özvektör (Eigenvektor:EV) yöntemleri kullanılmıştır. Bir karşılaştırma yapabilmek için elde edilen spektrumlar, klasik yöntemlerden Welch yöntemi ile frekans çözünürlüğü ve frekans içeriğinin belirlenmesini kolaylaştıran etkiler açısından karşılaştırılmıştır. Net bir sonuç alabilmek amacıyla yöntemler önce gerçek EEG işaretlerine uygulanmış daha sonra da frekans içeriği bilinen simüle işaretlere uygulanarak karşılaştırma yapılmıştır. Elde edilen spektrumlar incelendiğinde EEG’de frekans analizi yapılmasında alt uzay yöntemlerinın kullanılmasının daha iyi frekans çözünürlüğü verdiği belirlenmiştir

Anahtar Kelimeler

• EEG, Frekans Çözünürlüğü, Altuzay Yöntemleri, Welch Yöntemi

Kaynakça

1. [1] Güler I, Kiymik M K, Akin M, Alkan A.,2001. AR Spectral Analysis Of EEG Signals By Using Maximum Likelihood Estimation. Comp in Biology and Medicine , 31: 441-450.
2. [2] H. Adeli, Z. Zhou and N. Dadmehr., 2003. Analysis Of EEG Records İn An Epileptic Patient Using Wavelet Transform”, Journal Of Neuroscience Methods, 123 , pp. 69-87.]
3. [3] Ubeyli E D, Guler I., 2003. Comparison of eigenvector methods with classical and modelbased methods in analysis of internal carotid arterial Doppler signals”, Computers in Biology and Medicine 33,sf. 473–493
4. [4] Andrzejak R.G., Lehnertz K., Rieke C., Mormann F., David P., Elger C.E. (2001), Indications of Nonlinear Deterministic And Finite Dimensional Structures In Time Series Of Brain Electrical Activity: Dependence On Recording Region And Brain State, Phys. Rev. E, 64, 061907
5. [5] Abdulhamit Subasi, Ergun Erçelebi, Ahmet Alkan and Etem Koklukaya., Comparison of Subspace-Based Methods With AR Parametric Methods In Epileptic Seizure Detection Computers in Biology and Medicine, Volume 36, Issue 2, February 2006, Pages 195-208.
6. [6] R.O. Schmidt, Multiple emitter location and signal parameter estimation, IEEE Trans. Antennas Propag. AP-34 (3) (1986), p.276–280.
7. [7] A.L. Swindlehurst, T. Kailath,A performance analysis of subspace-based methods in the presence of model errors, part II: multidimensional algorithms, IEEE Trans. Signal Process. 41 (9) (1993) 2882–2890.
8. [8] B. Porat, B. Friedlander, Analysis of the asymptotic relative ef.ciency of the MUSIC algorithm, IEEE Trans. Acoust. Speech Signal Process. 36 (4) (1988) 532–544.

9. [9] Proakis, J., ve Manolakis, D., 1996. Digital Signal Processing Principles, Algorithms, and App. Prentice Hall, USA.
10. [10] Signal Processing Toolbox User’s Guide 1988 - 2002 by The MathWorks, Inc.