SavedAdd your journal

Journals / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 24 Sayı: 5

Improving classification accuracy of motor imagery EEG signals via effective epochs

Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması

Ebru Ergün
Önder Aydemir
Pages
817–823
Publication Date
2018-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen sonuçlar, önerilen yöntemin belirlenen öznitelik çıkarma yöntemi ve destek vektör makinaları sınıflandırıcısıyla birlikte EEG işaretlerinden elde edilen sınıflandırma doğruluğunu dikkat çekici miktarda arttırdığını ve hesaplama karmaşıklığını ise azalttığını göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Beyin bilgisayar arayüzleri (BBA) sadece beyinde üretilen işaretleri kullanarak çeşitli elektronik cihazları kullanmayı olanaklı hale getiren sistemlerdir.
📊
Key Findings & Data:Bu çalışma ile motor hayaline dair kaydedilen EEG tabanlı BBA işaretlerinden yüksek sınıflandırma doğruluğu elde edebilmek için işaretlerin etkin zaman dilimlerinden çıkarılmış özniteliklerle sınıflandırma doğruluğunun artırılmasına yönelik bir yöntem önerilmiştir.
💡
Conclusion & Impact:Elde edilen sonuçlar, önerilen yöntemin belirlenen öznitelik çıkarma yöntemi ve destek vektör makinaları sınıflandırıcısıyla birlikte EEG işaretlerinden elde edilen sınıflandırma doğruluğunu dikkat çekici miktarda arttırdığını ve hesaplama karmaşıklığını ise azalttığını göstermiştir.
🔬Design:Experimental Field Trial
📍Scope:2003 Verileri
⚙️Variables:Elektroensefalografi · Beyin bilgisayar arayüzü · Hilbert dönüşümü

Özet

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Beyin bilgisayar arayüzleri (BBA) sadece beyinde üretilen işaretleri kullanarak çeşitli elektronik cihazları kullanmayı olanaklı hale getiren sistemlerdir. Bu sistemlerin yüksek başarımlı olabilmesi için bu işaretlerden çıkarılan öznitelik yöntemleri ve bu işaretlere uygulanan sınıflandırıcı yöntemleri önemlidir. Bu çalışma ile motor hayaline dair kaydedilen EEG tabanlı BBA işaretlerinden yüksek sınıflandırma doğruluğu elde edebilmek için işaretlerin etkin zaman dilimlerinden çıkarılmış özniteliklerle sınıflandırma doğruluğunun artırılmasına yönelik bir yöntem önerilmiştir. Öznitelikler, etkin zaman dilimleri belirlenen EEG işaretlerine Hilbert Dönüşümü’nün uygulanması ve işaretin türevlerinin ortalamasının alınmasıyla elde edilmiştir. BCI Competition 2003 yarışmasında kullanıma sunulmuş 2-sınıflı motor hareketi hayaline dayalı Data Set Ia isimli veri kümesinden çıkarılan öznitelikler destek vektör makineleri, k-en yakın komşuluk ve doğrusal ayrım analizi ile test edilerek performans karşılaştırması yapılmıştır. Destek vektör makineleri ile test veri kümesi üzerinde %91.46 oranında yüksek bir sınıflandırma doğruluğu elde edilmiştir. Bu sınıflandırma doğruluğu EEG işaretinin bir denemesine ait tüm örneklemelerin kullanılması durumunda elde edilen sınıflandırma doğruluğundan %17.40 daha yüksektir. Elde edilen sonuçlar, önerilen yöntemin belirlenen öznitelik çıkarma yöntemi ve destek vektör makinaları sınıflandırıcısıyla birlikte EEG işaretlerinden elde edilen sınıflandırma doğruluğunu dikkat çekici miktarda arttırdığını ve hesaplama karmaşıklığını ise azalttığını göstermiştir.

🔖

Cite This Article

Ergün, E., Aydemir, Ö. (2018). Improving classification accuracy of motor imagery EEG signals via effective epochs. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 24 Sayı: 5, 817–823. https://ajindex.com/articles/1058717

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. Ma X, Huang X, Shen Y, Qin Z, Ge Y, Chen Y. “EEG based topography analysis in string recognition task”. Physica A: Statistical Mechanics and its Applications, 469, 531-539, 2017.
  2. Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G, and Vaughan TM. “Brain–computer interfaces for communication and control”. Clinical Neurophysiology, 113(6), 767-791, 2002.
  3. Li Y, Long J, Yu T, Yu Z, Wang C, Zhang H, Guan C. “An EEG-based BCI system for 2-D cursor control by combining Mu/Beta rhythm and P300 potential”. IEEE Transactions on Biomedical Engineering, 57(10), 2495-2505, 2010.
  4. Lotte F, Congedo M, Lécuyer A, Lamarche F, and Arnaldi B. “A review of classification algorithms for EEG-based brain–computer interfaces”. Journal of Neural Engineering, 4(2), 1-13, 2007.
  5. Kübler A, Nijboer F, Mellinger J, Vaughan TM, Pawelzik H, Schalk G and Wolpaw JR. “Patients with ALS can use sensorimotor rhythms to operate a brain-computer interface”. Neurology, 64(10), 1775-1777, 2005.
  6. Oh SH, Lee YR, Kim HN. “A novel EEG feature extraction method using Hjorth parameter”. International Journal of Electronics and Electrical Engineering, 2(2), 106-110, 2014.
  7. Jenke R, Peer A, Buss M. “Feature extraction and selection for emotion recognition from EEG”. IEEE Transactions on Affective Computing, 5(3), 327-339.
  8. Siuly S, Li Y. “Designing a robust feature extraction method based on optimum allocation and principal component analysis for epileptic EEG signal Classification”. Computer Methods and Programs in Biomedicine, 119(1), 29-42, 2015.
  9. Hsu WY, Lin CH, Hsu HJ, Chen PH, Chen IR. “Wavelet-based envelope features with automatic EOG artifact removal: Application to single-trial EEG data”. Expert Systems with Applications, 39(3), 2743-2749, 2012.
  10. Hsu WY. “Fuzzy Hopfield neural network clustering for single-trial motor imagery EEG Classification”. Expert Systems with Applications, 39(1), 1055-1061, 2012.
  11. Asensio-Cubero J, Gan JQ, Palaniappan R. “Extracting optimal tempo-spatial features using local discriminant bases and common spatial patterns for brain computer interfacing”. Biomedical Signal Processing and Control, 8(6), 772-778, 2013.
  12. Aydemir Ö. “Common spatial pattern based feature extraction from the best time segment of BCI data System”. Turkish Journal of Electrical Engineering and Computer Sciences, 6, 33, 2015.
  13. Hsu WY. “EEG-based motor imagery classification using enhanced active segment selection and adaptive classifier”. Computers in Biology and Medicine, 41(8), 633-639, 2011.
  14. Han R, Wei Q. “Joint selection of time and frequency segments for classifying multiclass EEG data in motor imagery based BCIs”. International Conference on in Fuzzy Systems and Knowledge Discovery, Zhangjiajie, China, 15-17 August 2015.
  15. Mensh B. “BCI competition 2003 Results”. http:/ida.first.fhg.de/projects/bci/competition/results (19.02.2016)
  16. Mensh BD, Werfel J, Seung HS. “BCI competition 2003-data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals”. IEEE Transactions on Biomedical Engineering, 51(6), 1052-1056, 2004.
  17. Sun S, Zhang C. “Assessing features for electroencephalographic signal categorization”. IEEE International Conference on Acoustics, Speech and Signal Processing, Philadelphia, USA, 23-23 March 2005.
  18. Wang B, Jun L, Bai J, Peng L, Li G, Li Y. “EEG recognition based on multiple types of information by using wavelet packet transform and neural networks”. In 2005 IEEE Engineering in Medicine and Biology, Shanghai, China, 17-18 January 2006.
  19. Ting W, Guo-zheng Y, Bang-hua Y, Hong S. “EEG feature extraction based on wavelet packet decomposition for brain computer interface”. Measurement, 41(6), 618-625, 2008.
  20. Duan L, Zhong H, Miao J, Yang Z, Ma W, Zhang X. “A voting optimized strategy based on ELM for improving classification of motor imagery BCI data”. Cognitive Computation, 6(3), 477-483, 2014.
  21. Guo X, Zhao H, Li X, Li T, Dai M. “EEG signal analysis based on fixed-value shift compression algorithm”. In Natural Computation, Zhangjiajie, China, 15-17 August 2015.
  22. Kayikcioglu T, Aydemir O. “A polynomial fitting and k-NN based approach for improving classification of motor imagery BCI data”. Pattern Recognition Letters, 31(11), 1207-1215, 2010.
  23. Yavuz E, Aydemir Ö. “EEG tabanli beyin bilgisayar arayüzü işaretlerinin etkin zaman dilimlerinden çikarilmiş özniteliklerle siniflandirma doğruluklarinin artirilması”. XX. Biyomedikal Ulusal toplantısı, İzmir, Türkiye, 3-5 Kasım 2016.
  24. Hahn SL. Hilbert Transforms in Signal Processing. Boston, London, Artech House, 1996.
  25. Medl A, Flotzinger D, Pfurtscheller G. “Hilbert-transform based predictions of hand movements from EEG measurements”. In Engineering in Medicine and Biology Society, Paris, France, 29 October-1 November 1992.
  26. Lyness JN, Moler CB. “Numerical differentiation of analytic functions”. SIAM Journal on Numerical Analysis, 4(2), 202-210, 1967.
  27. Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D. “Support vector machine classification and validation of cancer tissue samples using microarray expression data”. Bioinformatics, 16(10), 906-914, 2000.
  28. Panda R, Khobragade P S, Jambhule PD, Jengthe SN, Pal PR and Gandhi TK. “Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction”. In Systems in Medicine and Biology, Kharagpur, India, 16-18 December 2010.
  29. Blankertz B, Muller KR, Curio G, Vaughan TM, Schalk G, Wolpaw JR, Schroder M. “The BCI competition 2003: progress and perspectives in detection and discrimination of EEG single tras”. IEEE Transactions on Biomedical Engineering, 51(6), 1044-1051, 2004.