YAPAY SİNİR AĞLARI KULLANILARAK İMLEÇ YÖNÜ TESPİTİ

Yıl 2020, Cilt: 9 Sayı: 1, 172 - 179, 30.01.2020

Kerim Karadağ Mehmet Emin Tenekeci Abdülkadir Gümüşçü

https://doi.org/10.28948/ngumuh.681241

Cited By: 1

Öz

Bu çalışmada, Electroensefalogram (EEG) kayıtları kullanılarak bilgisayar ekranındaki imlecin sağa ve sola hareketinin doğru tahmin edilmesi amaçlanmıştır. Çalışmada BCI CompetitionII data setIII, EEG veri seti kullanılmıştır. Veri setinde sağlıklı 25 yaşında bir bayandan alınan kayıtlar kullanılmıştır. Kayıtlar üç sağda üç solda olmak üzere altı elektrottan oluşmuş EEG verilerini içermektedir. Çalışmada yalnızca eğitim veri seti kullanılmıştır. Veri setleri iki gruba ayrılmıştır. Birinci grup, imlecin sağa hareketi(0) ve diğer grup ise imlecin sola hareketini (1) içermektedir. Veri setinde her elektrotta toplam 140 tane sağ ve sol hareket bulunmaktadır. Bu hareketlerden 100 tanesi eğitim, diğer 40 tanesi test için kullanılmıştır. İmleç yönünün tespiti üç aşamadan oluşmaktadır. Birinci aşama işaretlerin düzenlenmesi, ikinci aşama öznitelik vektörünün temini, üçüncü aşamada ise verilere ilişkin öznitelik vektörlerinin sınıflandırılması yapılmıştır. İşaretlerin düzenlenmesinde, imlecin sağa ve sola hareketlerine ait kısımlar tespit edilmiş ve elektrotlar ayrıştırılmıştır. Öznitelik Vektörünün oluşturulmasında, Dalgacık Dönüşümü (DD) kullanılmıştır. Sınıflandırma yöntemi olarak da Yapay Sinir Ağları (YSA) kullanılmıştır. EEG işaretlerinin sınıflandırma işlemi yalnız tek elektrota yapılmıştır. İmleç yönünün tespitinde elde edilen performansın C3 için %95, CZ için %97,5, C4 için %100 olmuştur.

Anahtar Kelimeler

EEG, Sınıflandırma, Dalgacık dönüşümü, YSA

Kaynakça

• [1] T. Collura, "History and Evolution of Electroencephalographic Instruments and Techniques", Journal of Clinical Neurophysiology, vol. 10, no. 4, pp. 476-504, 1993. Available: 10.1097/00004691-199310000-00007.
• [2] B. Xu and A. Song, "Pattern Recognition of Motor Imagery EEG using Wavelet Transform", Journal of Biomedical Science and Engineering, vol. 01, no. 01, pp. 64-67, 2008. Available: 10.4236/jbise.2008.11010.
• [3] W. Weng and K. Khorasani, "An Adaptive Structure Neural Networks with Application to EEG Automatic Seizure Detection", Neural Networks, vol. 9, no. 7, pp. 1223- 1240, 1996. Available: 10.1016/0893-6080(96)00032-9.
• [4] G. Chen, "Are electroencephalogram (EEG) signals pseudo-random number generators?", Journal of Computational and Applied Mathematics, vol. 268, pp. 1-4, 2014. Available: 10.1016/j.cam.2014.02.028.
• [5] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, “Brain-computer interfaces for communication and control,” Electroenceph. Clin. Neurophysiol., vol. 113, no. 6, pp. 767–791, June 2002.
• [6] J. Minguillon, M. Lopez-Gordo and F. Pelayo, "Trends in EEG-BCI for daily-life: Requirements for artifact removal", Biomedical Signal Processing and Control, vol. 31, pp. 407-418, 2017. Available: 10.1016/j.bspc.2016.09.005.
• [7] S. Foldes and D. Taylor, "Speaking and cognitive distractions during EEG-based brain control of a virtual neuroprosthesis-arm", Journal of NeuroEngineering and Rehabilitation, vol. 10, no. 1, p. 116, 2013. Available: 10.1186/1743-0003-10-116.
• [8] A. K. Mohamed, T. Marwala, L. R. John, "Single-trial EEG discrimination between wrist and finger movement imagery and execution in a sensorimotor BCI", Proceedings of the 33th Annual International IEEE EMBS Conference, vol. 2011, pp. 6289-93, 2011.
• [9] M. Choubisa and P. Trivedi: Analysing EEG signals for detection of mind awake stage and sleep deprivation stage, In Proceedings of the 2015 International Conference on Green Computing and Internet of Things (ICGCIoT 2015) Noida, India, 2015, pp. 1209-1211.
• [10] A. Athanasiou, G. Arfaras, I. Xygonakis et al., “Commercial BCI Control and functional brain networks in spinal cord injury: a proof-of-concept,” in Proceedings of the 30th IEEE International Symposium on Computer-Based Medical Systems, pp. 262–267, 2017.
• [11] Ö. Aydemir and T. Kayıkçıoğlu, "Investigation of the most appropriate mother wavelet for characterizing imaginary EEG signals used in BCI systems", TURKISH JOURNAL OF ELECTRICAL ENGINEERING & COMPUTER SCIENCES, vol. 24, pp. 38-49, 2016. Available: 10.3906/elk-1307-17.
• [12] M. Khan and K. Hong, "Hybrid EEG–fNIRS-Based Eight-Command Decoding for BCI: Application to Quadcopter Control", Frontiers in Neurorobotics, vol. 11, 2017. Available: 10.3389/fnbot.2017.00006.
• [13] A. Myrden and T. Chau, "Effects of user mental state on EEG-BCI performance", Frontiers in Human Neuroscience, vol. 9, 2015. Available: 10.3389/fnhum.2015.00308.
• [14] "BCI Competition II: Results", Bbci.de, 2017. [Online]. Available: http://www.bbci.de/competition/ii/results. [Accessed: 13- Nov- 2017].
• [15] BCI-experiment, Department of Medical Informatics, Institute for Biomedical Engineering, University of Technology Graz. (Gert Pfurtscheller)
• [16] K. Karadag and M. Ozerdem, "Classification of ECoG patterns related to finger movements with wavelet based SVM methods", 2014 22nd Signal Processing and Communications Applications Conference (SIU), 2014.
• [17] P. Erdoğmuş and A. Peşçaker, “Dalgacık Dönüşümü ile EKG Sinyallerinin Özellik Çıkarımı ve Yapay Sinir Ağları ile Sınıflandırılması”, 5.Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 2009.
• [18] X. Wu et al., "Top 10 algorithms in data mining", Knowl. Inform. Syst., vol. 14, no. 1, pp. 1-37, 2007.
• [19] Y. Kaya, H. Pehlivan, "KNN NN Bayes DT ve SVM Kullanılarak EKG Vurularının Sınıflandırılması", 2ND International Symposium on Innovative Technologies In Engineering and Science, pp. 1-10, 2014.
• [20] A. Gümüşçü, M.E. Tenekeci, “Estimation of active sperm count in spermiogram using motion detection methods”, JOURNAL OF THE FACULTY OF ENGINEERING AND ARCHITECTURE OF GAZI UNIVERSITY, vol.34, no. 3, p. 1274-1280, 2019. Available: 10.17341/gazimmfd.460524.