Beyin bilgisayar arayüzü uygulamalarina yönelik EEG işaretleri için öznitelik çikarma

Abstract

Elektroensefalografi (EEG) işaretleri, beyin yüzeyinden elektrotlarla algılanan düşük genlikli biyoelektrik işaretlerdir. Bu işaretlerin genliği tepeden tepeye 1-400 ?V ve frekans bandı ise 0.5-100 Hz aralığında bulunmaktadır. EEG işaretlerinin beyin aktiviteleri ile ilgili çok miktarda bilgi içermesinden dolayı son yıllarda bu alandaki araştırmalar, tıp ve mühendislik bilimlerinde hız kazanmıştır. Tıbbi alanda, bu işaretler nörolojik hastalıkların teşhis edilmesinde ve seçilen tedavi yöntemlerinin başarımlarının izlenmesinde önemli rol oynamaktadır. Mühendislik alanında, düşünsel ve görsel uygulamalar süresince kaydedilmiş olan EEG işaretlerinden çıkartılan özniteliklere dayalı sınıflandırma beyin bilgisayar arayüzleşmesi için önemli bilgi sağlar. Beyin Bilgisayar Arayüzleri (BBA), kişilerin kas sistemlerini bir başka deyişle motor sinir sistemlerini kullanmadan bir bilgisayarı, elektromekanik bir kolu ya da çeşitli nöroprotezleri kullanmalarını olanaklı hale getirmektedirler. Günümüzde BBA uygulamaları için EEG, tek hücre kayıtlamaları (SCR), fonksiyonel manyetik rezonans görüntüleme (fMRI), bölgesel alan potansiyelleri (LFP), yakın infrared spektroskopisi (NIRS), elektrokorti¬gografi (ECoG), magnetoensefalografi (MEG) gibi teknikler kullanılmaktadır. Bu teknikler içerisinde, pratik olarak elde edilmesi ve uygulanması kolay olduğundan BBA sistemleri için genel olarak EEG seçilmektedir . BBA tabanlı EEG alanında yapılan araştırmalardaki amaç, mevcut yöntemlerden daha yüksek sınıflandırma oranına ve beyin-bilgisayar arayüzleşme veri hızına sahip bir yöntem geliştirmektir. Bu tez çalışmasında, literatürde kullanılan farklı düşünsel ve görsel uygulamalarda elde edilmiş bir EEG veri kümesi üzerinde çalışıldı. Bu EEG veri kümesinden öznitelik çıkartımı çeşitli matematiksel yöntemlerle analiz edilerek incelendi. Bulunan özniteliklere göre Destek Vektör Makineleri ve KNN sınıflayıcısı kullanılarak sınıflandırma yapılmıştır. Tüm bu çalışmalar daha yüksek sınıflandırma oranı ve yüksek beyin bilgisayar arayüzleşmesi veri hızı elde edebilmek amacı gözetilerek gerçekleştirilmiştir. Electroencephalography (EEG) signals are the low amplitude bioelectrical signals which are received from brain surface. Those signals peak to peak amplitude is 1-400 V and frequency band situates between 0.5-100 Hz. Since EEG signals include much information about brain activities, in last years the research in this area has accelerated in the fields of medicine and engineering. In the field of medicine, those signals play an important role in diagnosing neurological diseases and in monitoring success of medical treatments selected. In the engineering field, the features extracted from EEG signals recorded during the mental and visual tasks provide valuable information brain computer interfacing. Brain Computer Interface (BCI) makes possible to people to use a computer, an electromechanical arm or variety of neuroprothesis without using their muscle systems, in other words without using their motor neurosystems. Nowadays, a couple of techniques, such as EEG, single cell recordings (SCR), functional magnetic resonance imaging (fMRI), local field potential (LFP), Near Infrared Spectroscopy (NIRS), electrocorticography (ECoG) and magnetoencefalography (MEG) are used for BCI implementations. Among these techniques, generally EEG is selected for BCI systems due to the fact that it is easy to apply and practically accessible.The goal in area of EEG based BCI research is to develop a method which has higher classification rate and brain computer interfacing data rate than existing methods. In this thesis, it was studied on EEG dataset which was obtained under different mental and visual tasks used in literature. Feature extractions from that EEG dataset were analysed with various mathematical methods. According to discovered features classification was done by using support vector machines (SVM) and KNN classifier. All these studies actualized by considering the goal of to obtain higher classification rate and high brain computer interfacing data rate.