Bağımsız Bileşen Analizi ve Makine Öğrenmesi Kullanılarak Omurilik Yaralanması Olan Kişilerden Alınan EEG Sinyallerinden El Hareketlerinin Sınıflandırılması

The main aim of this study is to demonstrate that people with Spinal Cord Injury (SCI) preserve decipherable neural correlates of arm and hand movements. The distinctive movement information of ElectroEncephaloGraphy (EEG) signals obtained by imagining pronation, supination, palmar grasp, lateral grasp and hand open movements from eight subjects with SCI was investigated. In doing so, Independent Component Analysis (ICA) was used in both artifact removal and feature vector extraction as a new approach. In the proposed method, feature vectors were created by extracting the common information matrix in independent components. Extracted and selected feature vectors were tested with four different machine learning models (Support Vector Machine (SVM), k-Nearest Neighbor (kNN), AdaBoost, and Decision Trees (DT)). In the model evaluation phase, 5-fold cross validation and confusion matrix methods were used to prevent over-learning. As a result, according to the five classes the obtained performance is quite high. Depending on all subject's average values, the model accuracies were calculated as 0.9024±0.0781 in SVM, 0.8582±0.0985 in kNN, 0.7924±0.0937 in AdaBoost, and 0.8089±0.0645 in DT, respectively. Based on these results, it is seen that the discrimination performance of arm and hand movements of individuals with SCI is high with the proposed method. It is thought that a feature extraction and classification methodology based on the ICA method and SVM model will make an important contribution to EEG-based brain computer interface applications in the rehabilitation treatment of patients with SCI.

Bu çalışmanın temel amacı, Omurilik Yaralanması (OY) olan kişilerin, kol ve el hareketlerinin, kodu çözülebilir nöral bağıntılarını koruduğunu göstermektir. OY’li on kişiden pronasyon, süpinasyon, palmar kavrama, lateral kavrama ve el açma hareketleri düşündürülerek alınan ElektroEnsefaloGrafi (EEG) sinyallerinin ayırt edici hareket bilgisi araştırılmıştır. Bunu yaparken kullanılan yöntemlerde Bağımsız Bileşen Analizi (BBA/ICA) yöntemi hem artefakt gidermede hem de yeni bir yaklaşım olarak öznitelik vektörlerini çıkarmada kullanılmıştır. Önerilen yöntemde öznitelik vektörleri bağımsız bileşenlerde ortak bilgi matrisi çıkarılarak oluşturulmuştur. Çıkarılan ve seçimi yapılan öznitelik vektörleri dört farklı makine öğrenmesi modeli (Destek Vektör Makinesi (DVM), k-En Yakın Komşuluk (k-EYK), AdaBoost ve Karar Ağaçları (KA)) ile test edilmiştir. Model değerlendirme aşamasında aşırı öğrenmenin önüne geçmek için 5-katlamalı çapraz doğrulama ve hata matrisi yöntemleri kullanılmıştır. Sonuç olarak, incelenen beş sınıfa göre elde edilen başarım oldukça yüksek çıkmıştır. Deneklerin ortalaması alındığında elde edilen model doğruluk değerleri sırasıyla DVM’de 0.9024±0.0781, k-EYK’da 0.8582±0.0985, AdaBoost’ta 0.7924±0.0937 ve KA’da 0.8089±0.0645 olarak hesaplanmıştır. Bu sonuçlara dayanarak OY olan bireylerin kol ve el hareketlerinin ayırt edicilik performansının önerilen yöntem ile oldukça yüksek sonuçlar verdiği görülmektedir. BBA yöntemine dayalı bir öznitelik çıkarma ve DVM modeli ile sınıflandırma metodolojisinin OY’li hastaların rehabilitasyon tedavisinde EEG temelli beyin bilgisayar arayüzü uygulamalarına önemli bir katkısı olacağı düşünülmektedir.