Elektroensefalografi Sinyallerinden Zihinsel Aritmetik Tabanlı Görev Ayırımı Sınıflandırması

Year 2019, Volume: 15 Issue: 3, 57 - 65, 30.12.2019

Merve Koçyiğit , Ayşegül Güven , Furkan Çam

Abstract

Bu makalede, Beyin Bilgisayar Arayüzü uygulamalarında
yaygın olarak kullanılan Elektroensefalografi (EEG) sinyalinin zihinsel
aritmetik görev ayırımı sınıflandırması üzerine çalışılmıştır. EEG
sinyallerinin özelliklerini değerlendirmek üzere, 6. dereceden ayrık dalgacık
dönüşümü kullanılarak EEG sinyali alfa, beta, delta, teta ve gama alt
bantlarına ayrıştırılmıştır. Daha sonra, 
her bir EEG alt bandı için Ortalama Enerji, Standart Sapma, Varyans ve
Basıklık tabanlı öznitelik vektörleri çıkarılmıştır. Ortaya çıkan öznitelik
vektörleri J48 sınıflandırma algoritması ile sınıflandırılarak %98.2
sınıflandırma doğruluğu hesaplanmıştır.   

Keywords

Elektroensefalografi; Beyin Bilgisayar Arayüzü; Zihinsel Aritmetik Görev; J48 Algoritması

References

• [1]https://medium.com/@mubuyuk51/neuroscience-ve-eeg-analizi-nedir-525ed2204231 (erişim tarihi 20.02.2018)
• [2] Yağanoğlu, M., Bozkurt, F., & Günay, F.B., “EEG Tabanlı Beyin-Bilgisayar Arayüzü Sistemlerinde Öznitelik Çıkarma Yöntemleri”, Süleyman Demirel Üniversitesi Mühendislik Bilimleri ve Tasarım Dergisi 2(3), ÖS:BiyoMekanik2014, 313-318, 2014.
• [3] Olgun, N., “EEG Sinyallerinin Sınıflandırılarak Beyin-Bilgisayar Arayüzü Tabanlı Bir Sistem Otomasyonunun Gerçekleştirilmesi”, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, 2014.
• [4] Kaya, M., Cömert, M., & Mıshchenko, Y., “Beyin Bilgisayar Arayüzü için DVM Makine Öğrenme Yöntemi Kullanılarak EEG Verilerinden Sağ ve Sol El Hareket Düşüncelerinin Tespiti”, Türk Bilim Araştırma Vakfı (TÜBAV), vol.10, no.3, pp. 1-20, 2017.
• [5] Argunşah, A.Ö., “Beyinden Bilgisayara Bir Yol: BEYİN BİGİSAYAR ARAYÜZÜ”.
• [6] Amin, H.U., Malik, A.S., Ahmad, R.F., Badruttin, N., Kamel, N., Hussain, M. & Chooi, W., “Feature Extraction and Classification for EEG Signals Using Wavelet Transform and Machine Learning Techniques”, Australasian Physical & Engineering Sciences in Medicine, 38(1), 139-149, 2015.
• [7] http://doc.ml.tu-berlin.de/hBCI/ (erişim tarihi 01.01.2017)
• [8] Adeli, H., Ghosh-Dastidar, S., & Dadmehr, N., “A Wavelet-Chaos Methodology for Analysis of EEGs and EEG Subbands to Detect Seuzire and Epilepsy”, IEEE Transactions on Biomedical Engineering, 54(2), 205-211, 2007.
• [9] Zhang, L., He, W., He, C., & Wang, P., “Improving Mental Task Classification by Adding High Frequency Band Information”, Journal of Medical Systems, 34(1), 1-60, 2008.
• [10] Yavuz, E., & Aydemir, Ö., “Zihinsel Aritmetik Tabanlı EEG Sinyallerinden Öznitelik Çıkarımı”, 2017 Medical Technologies National Congress (TIPTEKNO), DOI:10.1109/TIPTEKNO.2017.8238078, 2017.
• [11] Wang, Q., & Sourina, O., “Real-Time Mental Arithmetic Task Recognition From EEG Signals”, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 21(2), 225-232, 2013. DOI:10.1109/TNSRE.2012.2236576
• [12] Palaniappan, R., “Brain Computer Interface Design Using Band Powers Extracted During Mental Tasks”, Conference Proceedings. 2nd International IEEE EMBS Conference on Neural Engineering, 2005. DOI:10.1109/CNE.2005.1419622
• [13] Shin, J., Lühmann, A., Blankertz, B., Kim, D.W., Jeong, J., Hwang, H.J., & Müller, K.R., “Open Access Dataset for EEG+NIRS Single-Trial Classification”, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(10), 1735-1745, 2016. DOI:10.1109/TNSRE.2016.2628057
• [14] Jurcak, V., Tsuzuki, D., & Dan, I., “10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems”, NeuroImage, 34(4), 1600-1611, 2007.
• [15] Eraldemir, S.G., Yıldırım, E., & Kutlu, Y., “EEG İşaretlerinden Matematiksel İşlemlerin k-NN Algoritması ile Sınıflandırılması”, Elektrik-Elektronik-Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), 2014.
• [16] Singaravelan, S., Murugan, D., & Mayakrishnan, R., “Analysis of Classification Algorithms J48 and Smo on Different Datasets”, World Engineering & Applied Sciences Journal, 6(2), 119-123, 2015. DOI:10.5829/idosi.weasj.2015.6.2.22162
• [17] Aljawarneh, S., Yassein, M.B., & Aljundi, M., “An enhanced J48 classification algorithm for the anomaly intrusion detection systems”, Cluster Computing, 1-17, 2017.
• [18] Çavuşoğlu, Ü., & Kaçar, S., “Anormal Trafik Tespiti için Veri Madenciliği Algoritmalarının Performans Analizi”, Academic Platform Journal of Engineering and Science, 7(2), 205-216, 2019.
• [19] Alan, M.A., & Yeşilyurt, C., “Farklı Veri Setleri Üzerinde SMO ve J48 Algoritmalarının Sınıflandırma Sonuçlarının Karşılaştırılması”, İşletme Bilimi Dergisi (JOBS), 6(3), 199-213, 2018. DOI:10.22139/jobs.487388
• [20] Eraldemir, S.G., Yıldırım, E., & Arslan, M.T., “Hilbert Hung Dönüşümü Uygulanan EEG İşaretlerinde J48 ve Rastgele Orman Sınıflandırıcılarının Karşılaştırılması”, International Advanced Researches & Engineering Congress-2017.
• [21] Eraldemir, S.G., & Yıldırım, E., “Comparison of wavelets for classification of cognitive EEG signals”, 2015 23nd Signal Processing and Communications Applications Conference (SIU), 2015. DOI:10.1109/SIU.2015.7130099
• [22] Daş, B., & Türkoğlu, İ., “DNA Dizilimlerinin Sınıflandırılmasında Karar Ağacı Algoritmalarının Karşılıştırılması”, Elektrik-Elektronik-Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), 2014.