SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 2

Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi

Ebru SAYILGAN
Yilmaz YÜCE
Yalçın İŞLER
Pages
593–606
Publication Date
2021-03-05
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)

Sonuç olarak, uyartım sıklık bilgisinin SSVEP içerisinden çıkarılması halinde daha yüksek doğrulukla çalışan BBA cihazlarının tasarlanabileceği düşünülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Elektroensefalografi (EEG) beyin aktivitelerinin ölçümünü sağlayan ve girişimsel olmayan bir yöntemdir.
📊
Key Findings & Data:Elektrofizyolojik kaynağına göre yedi farklı EEG kayıt türü mevcuttur.
💡
Conclusion & Impact:Sonuç olarak, uyartım sıklık bilgisinin SSVEP içerisinden çıkarılması halinde daha yüksek doğrulukla çalışan BBA cihazlarının tasarlanabileceği düşünülmektedir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Sınıflandırıcı · dalgacık dönüşümü · beyin-bilgisayar arayüzü

Özet

Elektroensefalografi (EEG) beyin aktivitelerinin ölçümünü sağlayan ve girişimsel olmayan bir yöntemdir. Elektrofizyolojik kaynağına göre yedi farklı EEG kayıt türü mevcuttur. Bunlar arasında görsel uyaranlar eşliğinde alınan EEG de mevcuttur. Son zamanlarda görsel uyaranların belli bir sıklıkla gösterildiği durağan durum görsel uyaran potansiller (DDGUP) sıklıkla beyin bilgisayar arayüzlerinde (BBA) kullanılmaya başlanmıştır. Literatürde DDGUP sinyallerinden deneklerin odaklandıkları objelerin tespiti üzerine odaklanılmıştır. Oysa ki, sadece odaklanılan nesne bilgisi değil aynı zamanda uyaranın gösterilme sıklığı DDGUP sinyalinin içine girmektedir. Üstelik DDGUP sinyalleri durağan olmadığından öznitelik çıkarımı için dalgacık dönüşümü etkili bir yöntemdir. Ancak dalgacık dönüşümü öncesi kullanılacak ana dalgacık türünün belirlenmesi gerekir. Bu çalışmada, DDGUP sinyalinden uyartım sıklığının belirlenmesi için farklı ana dalgacık türlerinden çıkarılan temel öznitelikler farklı sınıflandırıcılara uygulanmıştır. Sekiz farklı uyaran frekansında kayıt edilen DDGUP sinyalinden iyi bilinen EEG frekans bantlarında yer alan enerji, varyans ve entropi gibi öznitelikler çıkarılmıştır. Altı farklı dalgacık fonksiyonu (Haar, Daubechies, Symlet, Coiflet, Biorthogonal, Reverse Biorthogonal) bu amaçla kullanılmıştır. Ayrıca, çok sayıdaki özniteliklerden etkili olanların tespit edilmesi için varyans analizi (ANOVA) de gerçekleştirilmiştir. Altı temel sınıflandırıcı ile DDGUP sinyalleri sınıflandırılmış ve sınıflandırıcı performansları birbirleri ile karşılaştırılmıştır. Elde edilen sonuçlara göre ANOVA ile öznitelik seçiminin sınıflandırıcı performanslarını düşürdüğü görülmüştür. Ayrıca denekler tek olarak dikkate alındığında her denek için en yüksek başarıma farklı sınıflandırıcı ve ana dalgacık türünde ulaşıldığı görülmüştür. Tüm denekler birlikte değerlendirildiğinde ise, topluluk sınıflandırma (Ensemble learner) algoritması ile Reverse Biorthogonal ana dalgacığı kullanılarak elde edilen öznitelikler birlikte kullanıldığında, uyaran frekansı en yüksek doğrulukla tespit edilebilmiştir. Sonuç olarak, uyartım sıklık bilgisinin SSVEP içerisinden çıkarılması halinde daha yüksek doğrulukla çalışan BBA cihazlarının tasarlanabileceği düşünülmektedir.

🔖

Cite This Article

SAYILGAN, E., YÜCE, Y., İŞLER, Y. (2021). Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 2, 593–606. https://ajindex.com/articles/106838

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Pasqualotto E., Federici S., Belardinelli M.O., Toward functioning and usable brain-computer interfaces (BCIs): a literature review, Disabil Rehabil Assist Technol, 7, 89-103, 2012
  2. Wang Y.J., Wang R.P., Gao X.R., et al., A practical VEP-based brain-computer interface, IEEE Trans Neural Syst Rehabil Eng, 14, 234-239, 2006
  3. Bashashati A., Fatourechi M., A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals, J Neural Eng, 4, 32-57, 2007
  4. Regan D., Human brain electrophysiology: evoked potentials and evoked magnetic fields in science and medicine, J Clin Neurophysiol, 7, 450-451, 1990
  5. Bin G.Y., Gao X.R., Yan Z., Hong B., Gao S.K., An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method, J Neural Eng, 6, 046002, 2009
  6. İşcan Z., Development of classification methods for electroencephalogram based brain computer interfaces, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2012
  7. Diez P., Chapter 1, Introduction, Smart Wheelchairs and Brain-Computer Interfaces, Academic Press, Editör: Diez P., 1-21, 2018
  8. Hoffman L.D., Polich J., P300, handedness, and corpus callosal size: gender, modality, and task, Int J Psychophysiol, 331, 163-174, 1999
  9. Wolpaw J.R., Birbaumer N., Heetderks W.J., McFarland D.J., Peckham P.H., Schalk G., Donchin E., Quatrano L.A., Robinson C.J., Vaughan T.M., Brain-computer interface technology: a review of the first international meeting, IEEE Trans Rehabil Eng, 8, 164-173, 2000
  10. Mohamed E.A., Yusoff M.Z.K., Selman N.K., Malik A.S., Enhancing EEG signals in brain computer interface using wavelet transform, International Journal of Information and Electronics Engineering, 4 (3), 234-238, 2014
  11. Zhang Z., Li X., Deng Z., A CWT-based SSVEP classification method for brain-computer interface system, International Conference on Intelligent Control and Information Processing, Dalian, China, 43-48, 13-15 August, 2010
  12. Muller-Putz G.R., Pfurtscheller G., Control of an electrical prosthesis with an SSVEP-based BCI, IEEE Trans Biomed Eng, 55(1), 361-364, 2008
  13. Diez P.F., Mut V.A., Avila Perona E.M., Laciar Leber E., Asynchronous BCI control using high-frequency SSVEP, Journal of neuroengineering and rehabilitation, J Neuroeng Rehabil, 8, 39, 2011
  14. Heidari H., Einalou Z., SSVEP extraction applying wavelet transform and decision tree with Bayes classification, International Clinical