İmlecin iki boyutlu hareketinin hayali sırasında kaydedilmiş EEG işaretlerinin karar ağaç yapısı esaslı sınıflandırılması

Abstract

EEG tabanlı Beyin bilgisayar arayüzü (BBA) sistemlerinin giriş işaretleri doğası gereği durağan değillerdir, düşük işaret gürültü oranına sahiptirler, fiziksel ve düşünsel uygulamalardan etkilenirler ve elektromiyogram ve elektrookülogram gibi çeşitli artifaktlardan bulanırlar. Tüm bu dezavantajlar araştırmacıları beyin ile BBA'nın çıkış cihazı arasındaki iletişim sisteminin tüm elemanlarının hızını ve doğruluğunu arttırmaya motive etmektedir. Bundan dolayı, hızlı ve doğru bir BBA sistemi gerçekleştirmek için en uygun sınıflandırma algoritmasını ve düşük boyutlu öznitelik seti kullanmak mühimdir. Diğer taraftan, BBA sistemlerinin kullanımda pratik yapmak için sınıflandırıcıların farklı seanslarda kaydedilmiş sinyalleri ayrıştırma kabiliyetinin olması da çok önemlidir. Bu tezde, bilgisayar imlecinin yukarı, aşağı, sağa ve sola hareket ettirilmesinin hayal edilmesi sırasında kaydedilmiş EEG işaretlerinin sınıflandırılması için hızlı ve sınıflandırma doğruluğu yüksek metotlar önerilmiştir. Veri kümeleri, yaşları 24-29 arasında değişen sağlıklı erkek bireylerden farklı günlerde iki seansta kaydedilmiştir. Dalgacık dönüşümü katsayıları, özbağlanım parametreleri, yamukluk ve ortalama türev değerlerine dayalı çıkarılan öznitelik vektörleri, k-en yakın komşuluk, destek vektör makineleri ve doğrusal ayırma ayıracı ile sınıflandırılmışlardır. Önerilen metotlar, veri setine başarılı bir şekilde uygulanmış ve test verilerinde üç kişi üzerinde %60.53, % 62.50 ve %84.21 sınıflandırma doğruluğu elde etmişlerdir Input signals of a EEG based Brain computer interface (BCI) system are naturally non-stationary, have poor signal to noise ratio, dependent on physical or mental tasks, and contaminated with various artifacts, such as electromyogram and electrooculogram. All these disadvantages motivate the researchers substantially improve the speed and accuracy of all components of the communication system between the brain and a BCI output device. Hence, it is significant to use optimal classification algorithm and low dimensional feature set to implement a fast and accurate BCI system. On the other hand, it is very important that the classifiers have the ability for discriminating signals which are recorded in different sessions to make brain computer interfaces practical in use. In this thesis, we propose fast and accurate classification methods for classifying of up/down/right/left computer cursor movement imagery EEG data. Data sets were acquired from three healthy human subjects in age group of between 24 and 29 years old and on different days in two sessions. Extracted feature vectors based on continuous wavelet transform coefficients, autoregressive parameters, skewness and average value of derivative of the EEG signals were classified by k-nearest neighbor, support vector machine and linear discriminant analysis algorithms. The proposed methods were successfully applied to our data sets and achieved 60.53%, 62.50% and 84.21% classification accuracy rate on the test data of three subjects.