Aktif ve düşünsel parmak hareketlerine ilişkin EEG sinyallerinin sınıflandırılması

Abstract

Felç ve benzeri rahatsızlık geçiren kişilerin rehabilitasyon ve iyileşmelerini hızlandırma ve dokuların geri kazanımını sağlama amaçlı geliştirilen rehabilitasyon esaslı İBA'larda, EEG işaretlerinden hareket tespiti araştırılan konular arasındadır. Parmak hareketleri kavrama, tutma, bırakma gibi temel hareketleri gerçekleştirdiğinden ve rehabilitasyon esaslı İBA'larda çalışmaların büyük vücut kısımlarından küçük uzuvlara doğru kaymasından dolayı, bu tezde aktif ve düşünsel parmak hareketlerinin sınıflandırılması üzerine çalışılmıştır. Öncelikli olarak, belirlenen senaryolar ışığında 8 gönüllüden farklı günlerde gerçekleştirilen oturumlarda aktif ve düşünsel aşağı ve yukarı parmak hareketlerine dair EEG sinyalleri kayıt altına alınmıştır. EEG işaretlerinin ön işlem aşamasıyla standardizasyonu ve normalizasyonu sağlanmıştır. Ardından, bütün parmakların aktif aşağı ve yukarı hareketine, sadece işaret parmağın aktif aşağı ve yukarı hareketine ve işaret parmağın düşünsel aşağı ve yukarı hareketine dair EEG kayıtlarından veri setleri oluşturulmuştur. Ortalama Welch güç spektrum yöntemi kullanılarak parmak hareketlerine dair EEG sinyallerinden μ ve β bandının etkinliği ortaya konulmuştur. Son olarak, öznitelik çıkarma teknikleriyle verilerden öznitelikler çıkarılmıştır ve genetik algoritmayla indirgeme yapılmıştır. Seçilen özniteliklerle EEG sinyallerinden aktif aşağı ve yukarı parmak hareketlerinin işaret parmakta % 78.11, bütün parmaklarda % 81.10 başarımla, düşünselde ise bu hareketlerin işaret parmakta % 61.50 başarımla ayrıştırılabileceği görülmüştür. Decoding of movements using brain signals is an important research topic in rehabilitation based-BCIs, which are improved to accelerate rehabilitation and recovery, and to provide tissue restoration for patients suffering from strokes and similar disabilities. Since the finger movements perform basic motions such as gripping, holding and releasing, and recent work concerning movement decoding in rehabilitation based-BCIs has focused on fine limbs instead of the large body parts, classification of EEG signals of individual finger execution, and imagery movements has been studied in the thesis. At first, EEG signals for fingers flexion and hyper extension execution and imagery movements from 8 volunteers were recorded according to specified scenario in different sessions on different days. In preprocessing, normalization and noise reduction were performed. Then, datasets were formed from EEG records of all fingers flexion and hyper extension execution movements, index finger flexion and hyper extension execution and imagery movements. The average Welch spectral power analysis were used to prove the activity of μ and β bands. Then, feature vectors were formed using feature extraction techniques. They were selected with genetic algorithm. After that, using selected features, EEG signals of index finger flexion and hyper extension execution movements were classified with 78.11% accuracy rate, EEG signals of fingers flexion and hyper extension executions movements were decoding with 81.10% accuracy rate, and finally EEG signals of index finger flexion and hyper extension imagery movements were classified with 61.50% accuracy rate.