Dergiler / Konya Mühendislik Bilimleri Dergisi / 2021 / Cilt: 9 Sayı: 4

EEG SİNYALLERİNİ KULLANARAK 2B VE 3B HİBRİT BİR VİDEONUN AYRINTILI KANAL/LOB ANALİZİ

Detailed Channel/Lob Analysis of a 2D and 3D Hybrid Video Using EEG Signal

Sayfa
917–931
Yayın Tarihi
2021-12-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, frontal ve temporal loblar, 2B ve 3B geçişlerin sınıflandırılmasında diğer loblara göre daha iyi sonuçlar göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İnsan gözünün yapısına göre 2 Boyutlu (2B) ve 3B parçalardan oluşan video analizinde ani geçiş ve sabit durumların değerlendirilmesi önemlidir.
📊
Temel Bulgular & Veri:Bu çalışmada, insan beyin sinyallerinin güç spektrum yoğunluğu (GSY), 2B ve 3B hibrit video izleme sonucunda analiz için dikkate alınmıştır.
💡
Sonuç & Katkı:Sonuç olarak, frontal ve temporal loblar, 2B ve 3B geçişlerin sınıflandırılmasında diğer loblara göre daha iyi sonuçlar göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:2B ve 3B · EEG · Kararlı-durum

Özet

İnsan gözünün yapısına göre 2 Boyutlu (2B) ve 3B parçalardan oluşan video analizinde ani geçiş ve sabit durumların değerlendirilmesi önemlidir. Bu çalışmada, insan beyin sinyallerinin güç spektrum yoğunluğu (GSY), 2B ve 3B hibrit video izleme sonucunda analiz için dikkate alınmıştır. İnsanların yorulunca derinlik algısının kaybettiğini daha önceki çalışmalarımızda iddia etmiştik. Bu çalışmada, rastgele 2B ve 3B parçalardan oluşan, tek akışlı bir anaglif video sağlanmıştır. 2B ve 3B hibrit video çalışmasında, beyin sinyal analizinde kısa zamanlı Fourier dönüşümüne (KZFD) dayalı GSY ve spektrogram adı verilen görsel temsil kullanılmıştır. Tüm EEG frekans bantları test edildikten sonra, spektrogram çizelgesindeki 2B ve 3B parçaların karşılaştırılmasında GSY farkı dikkate alınarak, delta bandı baskın bant olarak seçilmiştir. Bu banttan çıkarılan öznitelikler iki popüler sınıflandırıcı tarafından sınıflandırılmıştır. Bunlar destek vektör makinesi (DVM) ve doğrusal ayırma analizi (DAA) algoritmalarıdır. Sonuç olarak, frontal ve temporal loblar, 2B ve 3B geçişlerin sınıflandırılmasında diğer loblara göre daha iyi sonuçlar göstermektedir. Öznitelik çıkarma yöntemi olarak kullanılan istatistiksel fonksiyonlar ve Hjorth parametreleri sonucunda DVM ve DAA algoritmaları için sınıflandırma başarısı sırasıyla %68 ve %79 olarak hesaplanmıştır.

Abstract

It is important to evaluate sudden transition and steady-states in video analysis consisting of 2 dimensional (2D) and 3D tracks, regarding the human eye structure. In this study, the power spectrum density (PSD) of the human brain signals was taken into consideration for analysis as a result of a 2D and 3D hybrid video watching. We claimed in our previous studies that people lose their depth perception when they get tired. In this study, a single stream anaglyph video consisting of random 2D and 3D tracks is provided. In 2D and 3D hybrid video study, PSD based on short-time Fourier transform (STFT) and visual representation called spectrogram were used in brain signal analysis. After all EEG frequency bands have been tested, the delta band has been chosen as the dominant band, taking into account the difference of PSD in the comparison of 2D and 3D parts in the spectrogram chart. Extracted features from this band were classified by two popular classifiers. These are support vector machine (SVM) and Linear discriminant analysis (LDA) algorithms. Consequently, the frontal and temporal lobes show better results in the classification of 2D and 3D transitions than other lobes. As a result of statistical functions and Hjorth parameters used as feature extraction methods, classification success for SVM and LDA algorithms was computed as 68 % and 79 %, respectively.

🔖

Bu Makaleye Atıf Yap

MANSHOURI, N., MELEK, M., KAYIKÇIOĞLU, T. (2021). EEG SİNYALLERİNİ KULLANARAK 2B VE 3B HİBRİT BİR VİDEONUN AYRINTILI KANAL/LOB ANALİZİ. Konya Mühendislik Bilimleri Dergisi, Cilt: 9 Sayı: 4, 917–931. https://ajindex.com/articles/938524

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Ahmed, S.M., and Abbas, S.N., 2015, “A New EEG Acquisition Protocol for Biometric Identification Using Eye Blinking Signals”, International Journal of Intelligent Systems and Applications, Sayı 7, ss. 48. Al-Qazzaz, N.K., Ali, S.H.B.M., Ahmad, S.A., Chellappan, K., Islam, M.S., and Escudero, J., 2014, “Role of EEG as biomarker in the early detection and classification of dementia”, TheScientificWorldJournal, Sayı 2014, ss. 906038. Belyavin, A., and Wright, N.A., 1987, “Changes in electrical activity of the brain with vigilance” Electroencephalography and Clinical Neurophysiology, Sayı 66, ss. 137–144.
  2. Chen, C., Li, K., Wu, Q., Wang, H., Qian, Z., and Sudlow, G., 2013, “EEG-based detection and evaluation of fatigue caused by watching 3DTV”, Displays, Sayı 34, ss. 81–88.
  3. Chen, C., Wang, J., Li, K., Wu, Q., Wang, H., Qian, Z., and Gu, N., 2014, “Assessment visual fatigue of watching 3DTV using EEG power spectral parameters”, Displays, Sayı 35, ss. 266–272.
  4. Coyle, D., Prasad, G., and Mcginnity, T.M., 2005, “A Time-Frequency Approach to Feature Extraction for a Brain-Computer Interface with a Comparative Analysis of Performance Measures”, 3141–3151 ss. Fischmeister, F.P.S., and Bauer, H., 2006, “Neural correlates of monocular and binocular depth cues based on natural images”, A LORETA analysis: Vision Research, Sayı 46, ss. 3373–3380.
  5. Forrester, J. V., Dick, A.D., McMenamin, P.G., Roberts, F., Pearlman, E., Forrester, J. V., Dick, A.D., McMenamin, P.G., Roberts, F., and Pearlman, E., 2016, “Physiology of vision and the visual system,” The Eye, ss. 269-337.e2. Han, Y., Lin, H.Y., and Chen, C., 2017, “SP-3 Visual Fatigue for Laser-Projection Light-Field 3D Display in Contrast with 2D Display”, 2017 24th International Workshop on Active-Matrix Flatpanel Displays and Devices (AM-FPD, ss. 9–12.
  6. Harris, F.J. (1987). Multirate FIR Filters for Interpolating and Desampling. In Handbook of Digital Signal Processing, (Elsevier), ss. 173–287.
  7. Hlawatsch, F., and Boudreaux-Bartels, G.F., 1992, “Linear and quadratic time-frequency signal representations”, IEEE Signal Processing Magazine, Sayı 9, ss. 21–67. Hosťovecký, M., and B, B., 2017, “Brain activity: beta wave analysis of 2D and 3D serious games using EEG”, JAMSI, Sayı 13. Houmani, N., Vialatte, F., Gallego-Jutglà, E., Dreyfus, G., Nguyen-Michel, V.-H., Mariani, J., and Kinugawa, K., 2018, “Diagnosis of Alzheimer’s disease with Electroencephalography in a differential framework”, PLOS ONE, Sayı 13, ss. e0193607. Idoo, (2