Özet:
Bu çalışmada, farklı zihinsel ve motor aktiviteler esnasında kaydedilen EEG verilerinden öz nitelikler çıkarılmış ve iki farklı sınıflandırıcı ile bu öz niteliklerin performansları değerlendirilmiştir. Nörofizyolojik bozukluğu olan kişiler hedeflenerek gerçekleştirilen çalışmada, farklı görevler esnasında kaydedilen EEG sinyalleri analiz edilmiştir. Bu görevler rahat durum, problem çözümü, sağ el hayali, sol el hayali ve A harfi hayali şeklindedir.Zihinden gerçekleştirilen beş farklı görevin ortaya konması esnasında, Biosemi ActiveTwo System EEG cihazı kullanılarak kaydedilen EEG verileri içerisinden, zihinsel görevlerde aktif olduğu düşünülen dokuz kanal seçilmiştir. Bu kanallardan elde edilen veriler, MATLAB ortamında geliştirilen algoritmalar ile analiz edilmiştir. Öncelikle veriler ön işleme tabi tutularak gürültüden ve bozucu etkilerden arındırılmıştır. İki aşamalı olarak gerçekleştirilen öz nitelik çıkarma işleminin ilk aşamasında spektral analiz yöntemlerinden Welch metodu kullanılarak güç spektral yoğunluğu hesaplanmıştır. İkinci aşamada, güç spektral yoğunluğu hesaplanmış verilerden, alfa ve beta ritimlerinin karakteristik özellikleri kullanılarak öz nitelikler belirlenmiştir. Öz niteliklerin sınıflandırma performansının belirlenmesi için, Doğrusal Ayırıcı Analizi ve Destek Vektör Makinesi yöntemleri kullanılarak farklı görevlerin ikili ve çoklu sınıflandırmaları gerçekleştirilmiştir. Sınıflandırma sonuçları her kanalın performansını gösterecek şekilde hesaplanmış ve her bir görev için aktif olan kanallar belirlenmiştir.Kullanılan sınıflandırma yöntemlerinden Destek Vektör Makinesi ile elde edilen sınıflandırma başarımlarının hem ikili hem de çoklu sınıflandırmada, Doğrusal Ayırıcı Analizi'nden üstün olduğu belirlenmiştir. Farklı sayıda elektrot kullanılarak, sınıflandırma performansları kıyaslanmış ve dört elektrot kullanımının yeterli olduğu görülmüştür. Beş farklı görev için sınıflandırma başarımları değerlendirildiğinde, bu sonuçların Beyin Bilgisayar Arayüzü uygulamalarında kullanılabilir olduğu sonucuna varılmıştır. Sınıflandırıcıların performans ölçütleri, sınıflandırma doğruluğu, duyarlılık ve seçicilik açısından ele alınmış ve sınıflandırıcıların başarılı olduğu belirlenmiştir.
