BEYİN BİLGİSAYAR ARAYÜZÜNÜN GELİŞTİRİLMESİ İÇİN HAYALİ MOTOR GÖRÜNTÜ TABANLI YAKIN KIZILÖTESİ SPEKTROSKOPİ SİNYALLERİNİN SINIFLANDIRILMASI

Yıl 2020, , 1 - 8, 30.01.2020

Merve Koçyiğit , Ayşegül Güven , Furkan Çam

https://doi.org/10.28948/ngumuh.606507

Öz

Yakın Kızılötesi
Spektroskopi (NIRS)  ilgili bölgede
serabrel izleme potansiyeli sunan, beyindeki hemodinamik aktiviteyi ölçen, girişimsel
olmayan fonksiyonel beyin görüntüleme tekniğidir. NIRS sinyalleri elektriksel
gürültüden etkilenmeyen, yüksek zamansal çözünürlüğü olan, ekonomik ve
taşınabilir bir yapıya sahiptir. Bu avantajlarından dolayı NIRS tabanlı
verilerin Beyin Bilgisayar Arayüzü (BCI) sistemlerinde kullanımı son zamanlarda
yaygınlaşma göstermektedir.  Bununla
birlikte kullanılan veri tabanında yapılan öznitelik çıkarımı, ön işleme ve
sınıflandırma seçimi BCI’daki başarıyı yükseltmek için önemlidir. Bu çalışmada,
NIRS veri kümesine ait el açma-kapama motor hareketi hayali tabanlı kaydedilen oksihemoglobin
(HbO) ve deoksihemoglobin (HbR) sinyalleri kullanılmıştır.   Öncelikle bu sinyaller, çevresel ve fizyolojik
gürültülerin etkisinden temizlemek için dalgacık tabanlı filtre ile ön işlem
geçirilmiştir. Elde edilen HbO ve HbR işaretlerinden Ortalama Enerji, Varyans,
Standart Sapma, Entropi, Çarpıklık ve Basıklık tabanlı özniteliklere
ulaşılmıştır. Ulaşılan öznitelikler Rasgele Orman metodu ile sınıflandırılarak HbR
için %82.7586,  HbO için %84.4828 ve HbR+
HbO için %89.6552ortalama sınıflama doğruluğu hesaplanmıştır.

Anahtar Kelimeler

Near Infrared Spektroskopi (NIRS), BCI, Random Forest

Kaynakça

• [1] Kaya, M., Cömert, M., & Mıshchenko, Y., “Beyin Bilgisayar Arayüzü için DVM Makine Öğrenme Yöntemi Kullanılarak EEG Verilerinden Sağ ve Sol El Hareket Düşüncelerinin Tespiti”, Türk Bilim Araştırma Vakfı (TÜBAV), 10(3), 1-20, 2017.
• [2] Sitaram, R., Zhang, H., Guan, C., Thulasidas, M., Hoshi, Y., Ishikawa, A., Shimizu, K., & Birbaumer, N., “Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer inerface”, NeuroImage, 34(4), 1416-1427,2007. DOI:10.1016/j.neuroimage.2006.11.005
• [3] Cui, X., Bray, A., & Reiss, A.L., “Speeded Near Infrared Spectroscopy(NIRS) Response Detection”, DIO: 10.1371/journal.pone.0015474, 2010.
• [4] Olgun, N., & Türkoğlu, İ., “Brain-Computer Interface Systems”, At 8th International Advanced Technologies Symposium, Elazığ, Turkey, 2017.
• [5] Hu, X.S., Hong, K.S., & Ge, S.S., “Recognition of stimulus-evoked neuronal optical response by identifying chaos levels of near-infrared spectroscopy time series”, Neuroscience Letters, 504(2), 115-120, 2011.
• [6] Sitaram, R., Caria, A., & Birmaumer, N., “Hemodynamic brain-computer interfaces for communication and rehabilitation”, Neural Ntworks, 22(9), 1320-1328, 2009.
• [7]Yin, X., Xu, B., Jiang, C., Fu, Y., Wang, Z., & Shi, G., “ NIRS-based classification of clench force and speed motor imagery with the use of empirical mode decomposition for BCI”, Medical Engineering & Physics 37(3), 280-286, 2015.
• [8] Haihong, Z., & Cuntai, G., “ A kernel-based signal localization method for nirs brain-computer interfaces”, In Pattern Recaognition 18th International Conference, Hong Kong, China, 1158-1161,2006.
• [9] Shin, J., von Lühmann, A., Blankertz, B., Kim, D. W., Jeong, J., Hwang, H.j., & Müller, K. R., “Open Access dataset for EEG+NIRS single-trial classification”, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(10), 1735-1745,2017.
• [10] Yavuz, E., & Aydemir, D., “ Classification of Motor Imaginary Based Near-Infrared Spectroscopy Signals”, Signal Processing and Communications Applications Conference (SIU) Jun 28, 2018.
• [11] http://doc.ml.tu-berlin.de/hBCI/ (erişim tarihi 01.01.2017)
• [12] Naaser, N., & Hong, K., “FNIRS-based brain-computer interfaces: a review”, Front Hum Neurosci.2015 Jan 28; 9:3.
• [13] Kaya, Y., & Tekin, R., “ Epileptik Nöbetlerin Tespiti için Aşırı Öğrenme Makinesi Tabanlı Uzman Bir Sistem”, Bilişim Teknolojileri Dergisi, 5(2), 33-39, 2012.
• [14] Güven, A., Altınkaynak, M., Dolu, N., İzzetoğlu, M., Pektaş, F., Özmen, S., Demirci, E., & Batbat, T., “ Combining functional near-infrared spectroscopy and EEG measurements for the diagnosis of attention-deficit hyperactivity disorder”, Neural Computing and Applications, July 3, 2019 DOI:10.1007/s00521-019-04294-7
• [15] Cawley, G.C., & Talbot, N., “Fast exact leave-one-out cross-validation of sparse least-squares support vektör machines”, Neural NetWorks, 17(10), 1467-1475, 2004.
• [16] https://towardsdatascience.com/why-random-forest-is-my-favorite-machine-learning-model-b97651fa3706 ( erişim tarihi 20.10.2018)
• [17] Buettner, R., Sauer, S., Maier, C., & Eckhardt, A., “Towards Ex Ante Prediction of User Performance: A Novel Neurols Methodology Based on Real-Time Measurement of Mental Effort”, 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 1530-1605, 2015.
• [18] Bentlemsan, M., Zemouri, E., Bouchaffra, D., Zoubir, B.Y., & Ferroudji, K., “Random Forest and Filter Bank Common Spatial Patterns for EEG-Based Motor Imagery Classification”, 5th International Conference on Intelligent Systems, Modelling and Simulation, Langkawi,Malaysia, DIO: 10.1109/ISMS.2014.46, 2015.
• [19] Okumuş, H., & Aydemir, Ö., “Random forest classification for brain computer interface applications”, 2017 25th Signal Processing and Communications Applications Conference (SIU), DOI:10.1109/SIU.2017.7960402, 2017.