SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 4

Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları

Cem BULUT
Tuğçe BALLI
Emrullah Fatih YETKİN
Pages
2397–2408
Publication Date
2023-04-12
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)

Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Beyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir.
📊
Key Findings & Data:Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır.
💡
Conclusion & Impact:Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:10 adet
⚙️Variables:BBA · EEG · bant gücü

Özet

Beyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir.

🔖

Cite This Article

BULUT, C., BALLI, T., YETKİN, E. F. (2023). Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 4, 2397–2408. https://ajindex.com/articles/886088

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Blankertz B., Dornhege G., Krauledat M., Muller K.R., Kunzmann V., Losch F., Curio G., The Berlin Brain-Computer Interface: EEG-based communication without subject training, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14 (2), 147-152, 2006
  2. Abiri R., Borhani S., Sellers E.W., Jiang Y., Zhao X., A comprehensive review of EEG-based brain–computer interface paradigms, Journal of neural engineering, 16 (1), 011001, 2019
  3. Lotte F., Bougrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F., A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update, Journal of neural engineering, 15 (3), 031005, 2018
  4. Zhang W., Tan C., Sun F., Wu H., Zhang B., A review of EEG-based brain-computer interface systems design, Brain Science Advances, 4 (2), 156-167, 2018
  5. Sadiq M. T., Y.X., Yuan Z., Aziz M. Z., Siuly S., Ding W., Toward the Development of Versatile Brain–Computer Interfaces, IEEE Transactions on Artificial Intelligence, 2 (4), 314-328, 2021
  6. Gupta A., Agrawal R. K., Kirar J. S., Andreu-Perez J., Ding W.-P., Lin C.-T., Prasad M., On the Utility of Power Spectral Techniques With Feature Selection Techniques for Effective Mental Task Classification in Noninvasive BCI, IEEE Transactions on Systems, Man and Cybernetics: Systems, 51 (5), 3080-3092, 2021
  7. Malan N. S., Sharma S., Feature selection using regularized neighbourhood component analysis to enhance the classification performance of motor imagery signals, Computers in biology medicine, 107, 118-126, 2019
  8. Rezaei, E., Shalbaf, A., Classification of Right/Left Hand Motor Imagery by Effective Connectivity Based on Transfer Entropy in EEG Signal, Basic and Clinical Neuroscience (BCN), 2021
  9. Joadder A.M., Myszewski J., Rahman M.H., Wang I., A performance based feature selection technique for subject independent MI based BCI, Health information science systems, 7 (1), 1-10, 2019
  10. Applied Neuroscience. NeuroGuide Help Manual. Neuro Guide. https://www.appliedneuroscience.com/PDFs/NeuroGuide_Manual.pdf., Erişim tarihi Ekim 02, 2021
  11. Soekadar S., Neuroprosthetic control of an EEG-EOG BNCI system by a paralyzed patient with high spinal cord injury, https://lampx.tugraz.at/~bci/database/002-2015/description.pdf, Erişim tarihi Şubat 02, 2021
  12. Soekadar S., W.M., Vitiello N., Birbaumer N., An EEG/EOG-based hybrid brain-neural computer interaction (BNCI) system to control an exoskeleton for the paralyzed hand, Biomedi