Ortaya çıkan öznitelik vektörleri J48 sınıflandırma algoritması ile sınıflandırılarak %98.2 sınıflandırma doğruluğu hesaplanmıştır.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu makalede, Beyin Bilgisayar Arayüzü uygulamalarında yaygın olarak kullanılan Elektroensefalografi (EEG) sinyalinin zihinsel aritmetik görev ayırımı sınıflandırması üzerine çalışılmıştır.
📊
Key Findings & Data:EEG sinyallerinin özelliklerini değerlendirmek üzere, 6. dereceden ayrık dalgacık dönüşümü kullanılarak EEG sinyali alfa, beta, delta, teta ve gama alt bantlarına ayrıştırılmıştır.
💡
Conclusion & Impact:Ortaya çıkan öznitelik vektörleri J48 sınıflandırma algoritması ile sınıflandırılarak %98.2 sınıflandırma doğruluğu hesaplanmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Elektroensefalografi · Beyin Bilgisayar Arayüzü · Zihinsel Aritmetik Görev
Abstract
Bu makalede, Beyin Bilgisayar Arayüzü uygulamalarında yaygın olarak kullanılan Elektroensefalografi (EEG) sinyalinin zihinsel aritmetik görev ayırımı sınıflandırması üzerine çalışılmıştır. EEG sinyallerinin özelliklerini değerlendirmek üzere, 6. dereceden ayrık dalgacık dönüşümü kullanılarak EEG sinyali alfa, beta, delta, teta ve gama alt bantlarına ayrıştırılmıştır. Daha sonra, her bir EEG alt bandı için Ortalama Enerji, Standart Sapma, Varyans ve Basıklık tabanlı öznitelik vektörleri çıkarılmıştır. Ortaya çıkan öznitelik vektörleri J48 sınıflandırma algoritması ile sınıflandırılarak %98.2 sınıflandırma doğruluğu hesaplanmıştır.
KOÇYİĞİT, M., GÜVEN, A., ÇAM, F. (2019). Elektroensefalografi Sinyallerinden Zihinsel Aritmetik Tabanlı Görev Ayırımı Sınıflandırması. Electronic Letters on Science and Engineering, Cilt: 15 - Sayı: 3, 57–65. https://ajindex.com/articles/133670
https://medium.com/@mubuyuk51/neuroscience-ve-eeg-analizi-nedir-525ed2204231 (erişim tarihi 20.02.2018) [2] Yağanoğlu, M., Bozkurt, F., & Günay, F.B., “EEG Tabanlı Beyin-Bilgisayar Arayüzü Sistemlerinde Öznitelik Çıkarma Yöntemleri”, Süleyman Demirel Üniversitesi Mühendislik Bilimleri ve Tasarım Dergisi 2(3), ÖS:BiyoMekanik2014, 313-318, 2014. [3] Olgun, N., “EEG Sinyallerinin Sınıflandırılarak Beyin-Bilgisayar Arayüzü Tabanlı Bir Sistem Otomasyonunun Gerçekleştirilmesi”, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, 2014. [4] 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), vol.10, no.3, pp. 1-20, 2017. [5] Argunşah, A.Ö., “Beyinden Bilgisayara Bir Yol: BEYİN BİGİSAYAR ARAYÜZÜ”. [6] Amin, H.U., Malik, A.S., Ahmad, R.F., Badruttin, N., Kamel, N., Hussain, M. & Chooi, W., “Feature Extraction and Classification for EEG Signals Using Wavelet Transform and Machine Learning Techniques”, Australasian Physical & Engineering Sciences in Medicine, 38(1), 139-149, 2015. [7] http://doc.ml.tu-berlin.de/hBCI/ (erişim tarihi 01.01.2017) [8] Adeli, H., Ghosh-Dastidar, S., & Dadmehr, N., “A Wavelet-Chaos Methodology for Analysis of EEGs and EEG Subbands to Detect Seuzire and Epilepsy”, IEEE Transactions on Biomedical Engineering, 54(2), 205-211, 2007. [9] Zhang, L., He, W., He, C., & Wang, P., “Improving Mental Task Classification by Adding High Frequency Band Information”, Journal of Medical Systems, 34(1), 1-60, 2008. [10] Yavuz, E., & Aydemir, Ö., “Zihinsel Aritmetik Tabanlı EEG Sinyallerinden Öznitelik Çıkarımı”, 2017 Medical Technologies National Congress (TIPTEKNO), DOI:10.1109/TIPTEKNO.2017.8238078, 2017. [11] Wang, Q., & Sourina, O., “Real-Time Mental Arithmetic Task Recognition From EEG Signals”, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 21(2), 225-232, 2013. DOI:10.1109/TNSRE.2012.2236576 [12] Palaniappan, R., “Brain Computer Interface Design Using Band Powers Extracted During Mental Tasks”, Conference Proceedings. 2nd International IEEE EMBS Conference on Neural Engineering, 2005. DOI:10.1109/CNE.2005.1419622 [13] Shin, J., 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, 2016. DOI:10.1109/TNSR