AI Summary & Key Takeaways
AI InsightAmong achieved accuracy performances, the best accuracy is 83.42%, achieved by the Power Spectral Density features and Extreme Learning Machine algorithm pair.
📌 3 Key Takeaways
Abstract
Brain-Computer Interface (BCI) is a communication system that enables individuals who lack control and use of their existing muscular and nervous systems to interact with the outside world because of various reasons. A BCI enables its user to communicate with some electronic devices by processing signals generated during brain activities. This study attempts to detect and collect gaze data within Electroencephalogram (EEG) signals through classification. To this purpose, three datasets comprised of EEG signals recorded by researchers from the Autonomous University were adopted. The EEG signals in these datasets were collected in a setting where subjects’ gaze into five boxes shown on a computer screen was recognized through Steady-State Visually Evoked Potential based BCI. The classification was performed using algorithms of Naive Bayes, Extreme Learning Machine, and Support Vector Machines. Three feature sets; Autoregressive, Hjorth, and Power Spectral Density, were extracted from EEG signals. As a result, using Autoregressive features, classifiers performed between 45.67% and 78.34%, whereas for Hjorth their classification performance was within 43.34-75.25%, and finally, by using Power Spectral Density their classification performance was between 57.36% and 83.42% Furthermore, classifier performances using Naive Bayes varied between 52.23% and 79.15% for Naive Bayes, 56.32-83.42% for Extreme Learning Machine, and 43.34-72.27% for Support Vector Machines by regarding classification algorithms. Among achieved accuracy performances, the best accuracy is 83.42%, achieved by the Power Spectral Density features and Extreme Learning Machine algorithm pair.
Özet
Beyin-Bilgisayar Arayüzü (BBA), mevcut kas ve sinir sistemlerini çeşitli nedenlerle kontrol edemeyen bireylerin dış dünya ile etkileşime girmelerini sağlayan bir iletişim sistemidir. Temel olarak, bir BBA, kullanıcının beyin aktiviteleri sırasında üretilen sinyalleri işleyerek bazı elektronik cihazlarla iletişim kurmasını sağlar. Bu çalışma, sınıflandırma yoluyla Elektroensafalogram (EEG) sinyalleri içindeki sabit bakış verilerini belirlemeye ve toplamaya çalışmaktadır. Bu amaçla Autonomous Üniversitesi’ndeki araştırmacılar tarafından kaydedilen EEG sinyallerinden oluşan üç veri seti incelenmiştir. Bu veri kümelerindeki EEG sinyalleri, deneklerin bilgisayar ekranında gösterilen beş kutuya bakışlarının Durağan Durum Görsel Uyarılmış Potansiyel bazlı BBA ile tanındığı bir ortamda toplanmıştır. Naive Bayes, Aşırı Öğrenme Makinesi ve Destek Vektör Makineleri algoritmaları kullanılarak sınıflandırma yapıldı. EEG sinyallerinden Özbağlanımlı, Hjorth ve Güç Spektral Yoğunluğu olarak üç öznitelik seti çıkarılmıştır. Sonuç olarak, Özbağlanımlı özniteliklerin kullanıldığı durumda sınıflandırıcılar %45.67 ile %78.34 arasında performans gösterirken, Hjorth özniteliği kullanıldığında sınıflandırma performansları %43.34-75.25 ve son olarak Güç Spektral Yoğunluğu kullanılarak sınıflandırma performansları %57.36 ile %83.42 arasındadır. Ayrıca sınıflandırma performansları, sınıflandırma algoritmalarına göre Naive Bayes için %52.23 ile 79.15, Aşırı Öğrenme Makinesi için %56.32-83.42 ve Destek Vektör Makineleri için %43.34-72.27 arasında değişmektedir. Elde edilen doğruluk performansları arasında en iyi doğruluk değeri, Güç Spektral Yoğunluk özniteliği ve Aşırı Öğrenme Makinesi algoritması çifti ile elde edilen %83.42 olmuştur.