Pamukkale University Journal of Engineering Sciences | 卷:24 |
Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması | |
关键词: Electroencephalography; Brain computer interface; Hilbert transformation; Active time segment; Effective epoch; Support vector machine; Elektroensefalografi; Beyin bilgisayar arayüzü; Hilbert dönüşümü; Etkin zaman dilimi; Etkin epok; Destek vektör makinası; | |
DOI : | |
来源: DOAJ |
【 摘 要 】
Beyinbilgisayar arayüzleri (BBA) sadece beyinde üretilen işaretleri kullanarakçeşitli elektronik cihazları kullanmayı olanaklı hale getiren sistemlerdir. Bu sistemlerin yüksek başarımlı olabilmesi için buişaretlerden çıkarılan öznitelik yöntemleri ve bu işaretlere uygulanansınıflandırıcı yöntemleri önemlidir. Bu çalışma ile motor hayaline dairkaydedilen EEG tabanlı BBA işaretlerinden yüksek sınıflandırma doğruluğu eldeedebilmek için işaretlerin etkin zaman dilimlerinden çıkarılmış özniteliklerlesınıflandırma doğruluğunun artırılmasına yönelik bir yöntem önerilmiştir.Öznitelikler, etkin zaman dilimleri belirlenen EEG işaretlerine HilbertDönüşümü’nün uygulanması ve işaretin türevlerinin ortalamasının alınmasıyla eldeedilmiştir. BCI Competition 2003 yarışmasında kullanıma sunulmuş 2-sınıflımotor hareketi hayaline dayalı Data Set Ia isimli veri kümesinden çıkarılanöznitelikler destek vektör makineleri, k-en yakın komşuluk ve doğrusal ayrımanalizi ile test edilerek performans karşılaştırması yapılmıştır. Destek vektörmakineleri ile test veri kümesi üzerinde %91.46 oranında yüksek birsınıflandırma doğruluğu elde edilmiştir. Bu sınıflandırma doğruluğu EEGişaretinin bir denemesine ait tüm örneklemelerin kullanılması durumunda eldeedilen sınıflandırma doğruluğundan %17.40 daha yüksektir. Elde edilen sonuçlar,önerilen yöntemin belirlenen öznitelik çıkarma yöntemi ve destek vektörmakinaları sınıflandırıcısıyla birlikte EEG işaretlerinden elde edilensınıflandırma doğruluğunu dikkat çekici miktarda arttırdığını ve hesaplamakarmaşıklığını ise azalttığını göstermiştir.
【 授权许可】
Unknown