Dergiler / Sakarya University Journal of Computer and Information Sciences / 2018 / Cilt: 1 Sayı: 2

Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma

A Study on Brain Computer Interface using Learning Vector Quantization

Sayfa
1–7
Yayın Tarihi
2018-08-01
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)

Önerilen sınıflandırıcının performansı, MEG'e odaklanan ve aynı veri setini kullanan önceki yöntemler ile karşılaştırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Beyin-bilgisayar arayüzü (BCI) insan beyni ve bilgisayar arasında iletişim ve kontrol sağlayabilir.
📊
Temel Bulgular & Veri:MEG sinyalleri karmaşıktır ve çevresel olaylardan ve beynin fonksiyonel farklılıklarından kolayca etkilenebilir.
💡
Sonuç & Katkı:Önerilen sınıflandırıcının performansı, MEG'e odaklanan ve aynı veri setini kullanan önceki yöntemler ile karşılaştırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Beyin-bilgisayar arayüzü · manyetoensefalografi · öğrenmeli vektör kuantalama

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.

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.

🔖

Bu Makaleye Atıf Yap

ÇETİN, O., TEMURTAŞ, F. (2018). Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma. Sakarya University Journal of Computer and Information Sciences, Cilt: 1 Sayı: 2, 1–7. https://ajindex.com/articles/946721

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Abadi M. K., Subramanian R., Kia S. M., Avesani P., Patras I., Sebe N. (2015). “DECAF: MEG-based multimodal database for decoding affective physiological responses”, IEEE Trans. Affective Computing, 6(3), 209–222.
  2. Alkım E., Gürbüz E., Kılıç E. (2012). “A fast and adaptive automated disease diagnosis method with an innovative neural network model”, Neural Networks, 33, 88–96.
  3. Barachant A. “Covariance toolbox”. https://github.com/alexandrebarachant/covariancetoolbox [Accessed: 05.05.2018]
  4. Barachant A., Bonnet S., Congedo M., Jutten C. (2012). “Multiclass brain–computer interface classification by Riemannian geometry”, IEEE Trans. Biomedical Engineering, 59(4), 920–928.
  5. Bascil M. S., Cetin O., Er O., Temurtas F. (2012). “Olasılıksal Sinir Ağının(PNN) Parkinson Hastalığının Teşhisinde Kullanılması” Electronic Letters on Science&Engineering, 8(1), 1–10.
  6. Bascil M. S., Oztekin H. (2012). “A Study on Hepatitis Disease Diagnosis Using Probabilistic Neural Network”, Journal of Medical Systems, 36(3), 1603–1606.
  7. Bascil M. S., Tesneli A. Y., Temurtas F. (2014). “A study on Analog and Digital EEG Signal Filtering for Brain Computer Interfaces (BCI)”, Electronic Letters on Science&Engineering, 10(1), 1–10.
  8. Bradberry T. J., Rong F., Contreras-Vidal J. L. (2009). “Decoding center-out hand velocity from MEG signals during visuomotor adaptation”, Neuroimage, 47(4), 1691–1700.
  9. Caliskan A. (2017). “Derin sinir ağının sınıflandırma başarımının artırılması için yeni bir eğitim stratejisi geliştirilmesi ve biyomedikal veri setleri üzerinde test edilmesi”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Biyomedikal Mühendisliği Anabilim Dalı, Doktora Tezi. Caliskan A., Yuksel M. E., Badem H., Basturk A. (2017). “A Deep Neural Network Classifier for Decoding Human Brain Activity Based on Magnetoencephalography” Elektronika ir Elektrotechnika, 23(2), 63–67
  10. Cecotti H. (2016). “Single-trial detection with magnetoencephalography during a dual-rapid serial visual presentation task”, IEEE Trans. Biomedical Engineering, 63(1), 220–227.
  11. Cetin O., Temurtas F., Gulgonul S. (2015). “An application of multilayer neural network on hepatitis disease diagnosis using approximations of sigmoid activation function” Dicle Medical Journal, 42(2), 150–157.
  12. Chan A. M., Halgren E., Marinkovic K., Cash S. S. (2011). “Decoding word and category-specific spatiotemporal representations from MED and EEG”, NeuroImage, 54(4), 3028–3039.
  13. Daliri M. R. (2014). “A hybrid method for the decoding of spatial attention u