Journals / Sakarya University Journal of Computer and Information Sciences / 2018 / Cilt: 1 Sayı: 2
A Study on Brain Computer Interface using Learning Vector Quantization
- Pages
- 1–7
- DOI
- —
Abstract
Brain-computer interface (BCI) can provide communication and control between the human brain and a computer. Detection of brain signals is the most basic level for these systems. Magnetoencephalography (MEG) is a non-invasive neuroimaging technique for decoding brain activity. MEG signals are complicated and can be easily affected by environmental events and functional differences of the brain. It is difficult to get information from these complex signals for BCI systems. Therefore, advanced signal processing techniques are required to make the information meaningful. In this study, the success of learning vector quantization (LVQ) algorithm has been put forward by classifying magnetoencephalography signals through LVQ. Classification accuracy is obtained via 10-fold cross validation. The performance of proposed classifier is compared with the results of the previous methods reported focusing on MEG and using same dataset.
Özet
Beyin-bilgisayar arayüzü (BCI) insan beyni ve bilgisayar arasında iletişim ve kontrol sağlayabilir. Beyin sinyallerinin saptanması, bu sistemler için en temel düzeydir. Manyetoensefalografi (MEG) beyin aktivitesini çözmek için invazif olmayan bir görüntüleme tekniğidir. MEG sinyalleri karmaşıktır ve çevresel olaylardan ve beynin fonksiyonel farklılıklarından kolayca etkilenebilir. BCI sistemleri için bu karmaşık sinyallerden bilgi almak zordur. Bu nedenle, bilgiyi anlamlı kılmak için ileri sinyal işleme teknikleri gereklidir. Bu çalışmada, manyetoensefalografi sinyallerini öğrenmeli vektör kuantalama (LVQ) ile sınıflandırarak LVQ algoritmasının başarısı ortaya konulmuştur. Sınıflandırma doğruluğu 10 kat çapraz doğrulama ile elde edilmiştir. Önerilen sınıflandırıcının performansı, MEG'e odaklanan ve aynı veri setini kullanan önceki yöntemler ile karşılaştırılmıştır.