Beyin bilgisayar arayüzü işaretlerinin farklı zaman dilimlerinden çıkarılmış özniteliklerle sınıflandırma doğruluğunun arttırılması

Abstract

Son yıllarda biyomedikal mühendisliği alanında yapılan çalışmalar, sağlıklı bir insan beyninin, kişinin hiç bir kas hareketi yapmadan sadece düĢünerek çeĢitli elektronik cihazları kontrol edebileceğini ve felçli hastaların hayatlarını kolaylaştıracak olan beyin bilgisayar arayüzü (BBA) sistemlerinin oluĢturulabileceğini göstermiĢtir. Bu tez çalışmasında, amyotrofik lateral skleroz gibi kas sistemlerini kullanamayan hastaların hayatlarını kolaylaştırmak için BBA sistemlerinin temelini oluşturan elektroensefalografi (EEG) ve elektrokortikografi (ECoG) işaretleriyle çalışılarak, bu işaretlerin farklı zaman dilimlerinden (epok) çıkarılan öznitelikler ile sınıflandırma doğruluğunun arttırılması amaçlanmıştır. Daha hızlı ve doğru BBA sistemlerinin oluĢturulmasının amaçlandığı bu tez çalışmasında, BCI Competition 2003 Data Set Ia veri kümesi (Veri Kümesi 1), BCI Competition 2005 Dataset I veri kümesi (Veri Kümesi 2) ve Karadeniz Teknik Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü bünyesindeki EEG Araştırma Laboratuvarında gerekli etik izinler alınarak 3 sağlıklı bireyden (A, B, C kişileri) kaydedilmiş EEG veri kümesi (Veri Kümesi 3) kullanılmıştır. Elde edilen sonuçlar literatürde yapılan çalışmalar ile karşılaştırılarak tezde kullanılan yöntemin performansı değerlendirilmiştir. Bu sonuçlara göre önerilen yöntem ile Veri Kümesi 1 ve Veri Kümesi 2 ile sırasıyla %99.31 ve %99.00 sınıflandırma doğrukları (SD) hesaplanarak literatürdeki en iyi sonuçlara ulaşılmıştır. Veri Kümesi 3 ile ise A, B ve C kişisi için sırasıyla %82.24, %62.50, %57.23 SD hesaplanarak literatürdeki çalışmalara göre B ve C kişisi ile %4.6 ve %1.31 oranında SD arttırılırken A kişisi için SD oranı değişmemiştir. Recent studies in biomedical engineering and neurology showed that a healthy human brain can control a variety of electronic devices only by thinking without making any muscle movements, in this way it can be created brain computer interface (BCI) systems that facilitate the lives of paralyzed patients. In this thesis, in order to facilitate the lives of patients who can not use muscle systems such as amyotrophic lateral sclerosis, electroencephalography (EEG) and electrocorticography (ECoG) signals were used in BCI systems. Then, It aimed to increase the classification accuracy with features to be extracted from different time periods (epochs) of these signals. In this thesis study, the following three data sets are used for the creation of faster and more accurate BCI systems: BCI Competition 2003 Data Set Ia (Data Set 1), BCI Competition 2005 Data Set I (Data Set 2) and EEG data set recorded from 3 healthy individuals taking necessary ethical permissions in the EEG Research Laboratory of the Electrical and Electronics Engineering Department of the Karadeniz Technical University (Data Set 3). The results obtained are compared with the literature studies, then performance of this method used in the thesis was evaluated. According to these results, 99.31% and 99.00% classification accuracy (SD) were calculated with Data Set 1 and Data Set 2 which the best results in the literature. For Data Set 3, 82.24%, 62.50%, 57.23% SD were calculated for A, B and C respectively. According to the studies in the literature, SD was increased by 4.6% and 1.31% for B and C subjects, whereas SD did not change for A subject.