SavedAdd your journal

Journals / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 9 - Sayı: 1

BEYİN BİLGİSAYAR ARAYÜZÜNÜN GELİŞTİRİLMESİ İÇİN HAYALİ MOTOR GÖRÜNTÜ TABANLI YAKIN KIZILÖTESİ SPEKTROSKOPİ SİNYALLERİNİN SINIFLANDIRILMASI

Merve KOÇYİĞİT
Ayşegül GÜVEN
Furkan ÇAM
Pages
1–8
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)

Ulaşılan öznitelikler Rasgele Orman metodu ile sınıflandırılarak HbR için %82.7586, HbO için %84.4828 ve HbR+ HbO için %89.6552ortalama sınıflama doğruluğu hesaplanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yakın Kızılötesi Spektroskopi (NIRS) ilgili bölgede serabrel izleme potansiyeli sunan, beyindeki hemodinamik aktiviteyi ölçen, girişimsel olmayan fonksiyonel beyin görüntüleme tekniğidir.
📊
Key Findings & Data:NIRS sinyalleri elektriksel gürültüden etkilenmeyen, yüksek zamansal çözünürlüğü olan, ekonomik ve taşınabilir bir yapıya sahiptir.
💡
Conclusion & Impact:Ulaşılan öznitelikler Rasgele Orman metodu ile sınıflandırılarak HbR için %82.7586, HbO için %84.4828 ve HbR+ HbO için %89.6552ortalama sınıflama doğruluğu hesaplanmıştır.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Near Infrared Spektroskopi (NIRS) · BCI · Random Forest

Özet

Yakın Kızılötesi Spektroskopi (NIRS) ilgili bölgede serabrel izleme potansiyeli sunan, beyindeki hemodinamik aktiviteyi ölçen, girişimsel olmayan fonksiyonel beyin görüntüleme tekniğidir. NIRS sinyalleri elektriksel gürültüden etkilenmeyen, yüksek zamansal çözünürlüğü olan, ekonomik ve taşınabilir bir yapıya sahiptir. Bu avantajlarından dolayı NIRS tabanlı verilerin Beyin Bilgisayar Arayüzü (BCI) sistemlerinde kullanımı son zamanlarda yaygınlaşma göstermektedir. Bununla birlikte kullanılan veri tabanında yapılan öznitelik çıkarımı, ön işleme ve sınıflandırma seçimi BCI’daki başarıyı yükseltmek için önemlidir. Bu çalışmada, NIRS veri kümesine ait el açma-kapama motor hareketi hayali tabanlı kaydedilen oksihemoglobin (HbO) ve deoksihemoglobin (HbR) sinyalleri kullanılmıştır. Öncelikle bu sinyaller, çevresel ve fizyolojik gürültülerin etkisinden temizlemek için dalgacık tabanlı filtre ile ön işlem geçirilmiştir. Elde edilen HbO ve HbR işaretlerinden Ortalama Enerji, Varyans, Standart Sapma, Entropi, Çarpıklık ve Basıklık tabanlı özniteliklere ulaşılmıştır. Ulaşılan öznitelikler Rasgele Orman metodu ile sınıflandırılarak HbR için %82.7586, HbO için %84.4828 ve HbR+ HbO için %89.6552ortalama sınıflama doğruluğu hesaplanmıştır.

🔖

Cite This Article

KOÇYİĞİT, M., GÜVEN, A., ÇAM, F. (2020). BEYİN BİLGİSAYAR ARAYÜZÜNÜN GELİŞTİRİLMESİ İÇİN HAYALİ MOTOR GÖRÜNTÜ TABANLI YAKIN KIZILÖTESİ SPEKTROSKOPİ SİNYALLERİNİN SINIFLANDIRILMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 9 - Sayı: 1, 1–8. https://ajindex.com/articles/290100

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. 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), 10(3), 1-20, 2017
  2. Sitaram, R., Zhang, H., Guan, C., Thulasidas, M., Hoshi, Y., Ishikawa, A., Shimizu, K., & Birbaumer, N., “Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer inerface”, NeuroImage, 34(4), 1416-1427,2007. DOI:10.1016/j.neuroimage.2006.11.005 [3] Cui, X., Bray, A., & Reiss, A.L., “Speeded Near Infrared Spectroscopy(NIRS) Response Detection”, DIO: 10.1371/journal.pone.0015474, 2010
  3. Olgun, N., & Türkoğlu, İ., “Brain-Computer Interface Systems”, At 8th International Advanced Technologies Symposium, Elazığ, Turkey, 2017
  4. Hu, X.S., Hong, K.S., & Ge, S.S., “Recognition of stimulus-evoked neuronal optical response by identifying chaos levels of near-infrared spectroscopy time series”, Neuroscience Letters, 504(2), 115-120, 2011
  5. Sitaram, R., Caria, A., & Birmaumer, N., “Hemodynamic brain-computer interfaces for communication and rehabilitation”, Neural Ntworks, 22(9), 1320-1328, 2009. [7]Yin, X., Xu, B., Jiang, C., Fu, Y., Wang, Z., & Shi, G., “ NIRS-based classification of clench force and speed motor imagery with the use of empirical mode decomposition for BCI”, Medical Engineering & Physics 37(3), 280-286, 2015
  6. Haihong, Z., & Cuntai, G., “ A kernel-based signal localization method for nirs brain-computer interfaces”, In Pattern Recaognition 18th International Conference, Hong Kong, China, 1158-1161,2006
  7. Shin, J., von 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), 1735-1745,2017
  8. Yavuz, E., & Aydemir, D., “ Classification of Motor Imaginary Based Near-Infrared Spectroscopy Signals”, Signal Processing and Communications Applications Conference (SIU) Jun 28, 2018. [11] http://doc.ml.tu-berlin.de/hBCI/ (erişim tarihi 01.01.2017
  9. Naaser, N., & Hong, K., “FNIRS-based brain-computer interfaces: a review”, Front Hum Neurosci.2015 Jan 28; 9:3
  10. Kaya, Y., & Tekin, R., “ Epileptik Nöbetlerin Tespiti için Aşırı Öğrenme Makinesi Tabanlı Uzman Bir Sistem”, Bilişim Teknolojileri Dergisi, 5(2), 33-39, 2012
  11. Güven, A., Altınkaynak, M., Dolu, N., İzzetoğlu, M., Pe