Uyartım frekansının kestiriminde istatistiksel anlamlılığa dayalı olarak seçilen durağan durum görsel uyarılmış potansiyellere ait dalgacık özniteliklerinin değerlendirilmesi

Year 2021, Volume: 36 Issue: 2, 593 - 606, 05.03.2021

Ebru Sayılgan , Yilmaz Yüce , Yalçın İşler

https://doi.org/10.17341/gazimmfd.664583

Cited By: 5

Abstract

Elektroensefalografi (EEG) beyin aktivitelerinin ölçümünü sağlayan ve girişimsel olmayan bir yöntemdir. Elektrofizyolojik kaynağına göre yedi farklı EEG kayıt türü mevcuttur. Bunlar arasında görsel uyaranlar eşliğinde alınan EEG de mevcuttur. Son zamanlarda görsel uyaranların belli bir sıklıkla gösterildiği durağan durum görsel uyaran potansiller (DDGUP) sıklıkla beyin bilgisayar arayüzlerinde (BBA) kullanılmaya başlanmıştır. Literatürde DDGUP sinyallerinden deneklerin odaklandıkları objelerin tespiti üzerine odaklanılmıştır. Oysa ki, sadece odaklanılan nesne bilgisi değil aynı zamanda uyaranın gösterilme sıklığı DDGUP sinyalinin içine girmektedir. Üstelik DDGUP sinyalleri durağan olmadığından öznitelik çıkarımı için dalgacık dönüşümü etkili bir yöntemdir. Ancak dalgacık dönüşümü öncesi kullanılacak ana dalgacık türünün belirlenmesi gerekir. Bu çalışmada, DDGUP sinyalinden uyartım sıklığının belirlenmesi için farklı ana dalgacık türlerinden çıkarılan temel öznitelikler farklı sınıflandırıcılara uygulanmıştır. Sekiz farklı uyaran frekansında kayıt edilen DDGUP sinyalinden iyi bilinen EEG frekans bantlarında yer alan enerji, varyans ve entropi gibi öznitelikler çıkarılmıştır. Altı farklı dalgacık fonksiyonu (Haar, Daubechies, Symlet, Coiflet, Biorthogonal, Reverse Biorthogonal) bu amaçla kullanılmıştır. Ayrıca, çok sayıdaki özniteliklerden etkili olanların tespit edilmesi için varyans analizi (ANOVA) de gerçekleştirilmiştir. Altı temel sınıflandırıcı ile DDGUP sinyalleri sınıflandırılmış ve sınıflandırıcı performansları birbirleri ile karşılaştırılmıştır. Elde edilen sonuçlara göre ANOVA ile öznitelik seçiminin sınıflandırıcı performanslarını düşürdüğü görülmüştür. Ayrıca denekler tek olarak dikkate alındığında her denek için en yüksek başarıma farklı sınıflandırıcı ve ana dalgacık türünde ulaşıldığı görülmüştür. Tüm denekler birlikte değerlendirildiğinde ise, topluluk sınıflandırma (Ensemble learner) algoritması ile Reverse Biorthogonal ana dalgacığı kullanılarak elde edilen öznitelikler birlikte kullanıldığında, uyaran frekansı en yüksek doğrulukla tespit edilebilmiştir. Sonuç olarak, uyartım sıklık bilgisinin SSVEP içerisinden çıkarılması halinde daha yüksek doğrulukla çalışan BBA cihazlarının tasarlanabileceği düşünülmektedir.

Keywords

Sınıflandırıcı, dalgacık dönüşümü, beyin-bilgisayar arayüzü, durağan-durum görsel-uyaran potansiyelleri, vaynas analizi, öznitelik seçimi

Thanks

Yazarlar olarak, veri setini sağlayan ve veri seti ile ilgili her türlü sorumuzu cevaplayan Adnan Vilic’e teşekkür ederiz.

References

• 1. Pasqualotto E., Federici S., Belardinelli M.O., Toward functioning and usable brain-computer interfaces (BCIs): a literature review, Disabil Rehabil Assist Technol, 7, 89-103, 2012.
• 2. Wang Y.J., Wang R.P., Gao X.R., et al., A practical VEP-based brain-computer interface, IEEE Trans Neural Syst Rehabil Eng, 14, 234-239, 2006.
• 3. Bashashati A., Fatourechi M., A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals, J Neural Eng, 4, 32-57, 2007.
• 4. Regan D., Human brain electrophysiology: evoked potentials and evoked magnetic fields in science and medicine, J Clin Neurophysiol, 7, 450-451, 1990.
• 5. Bin G.Y., Gao X.R., Yan Z., Hong B., Gao S.K., An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method, J Neural Eng, 6, 046002, 2009.
• 6. İşcan Z., Development of classification methods for electroencephalogram based brain computer interfaces, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2012.
• 7. Diez P., Chapter 1, Introduction, Smart Wheelchairs and Brain-Computer Interfaces, Academic Press, Editör: Diez P., 1-21, 2018.
• 8. Hoffman L.D., Polich J., P300, handedness, and corpus callosal size: gender, modality, and task, Int J Psychophysiol, 331, 163-174, 1999.
• 9. Wolpaw J.R., Birbaumer N., Heetderks W.J., McFarland D.J., Peckham P.H., Schalk G., Donchin E., Quatrano L.A., Robinson C.J., Vaughan T.M., Brain-computer interface technology: a review of the first international meeting, IEEE Trans Rehabil Eng, 8, 164-173, 2000.
• 10. Mohamed E.A., Yusoff M.Z.K., Selman N.K., Malik A.S., Enhancing EEG signals in brain computer interface using wavelet transform, International Journal of Information and Electronics Engineering, 4 (3), 234-238, 2014.
• 11. Zhang Z., Li X., Deng Z., A CWT-based SSVEP classification method for brain-computer interface system, International Conference on Intelligent Control and Information Processing, Dalian, China, 43-48, 13-15 August, 2010.
• 12. Muller-Putz G.R., Pfurtscheller G., Control of an electrical prosthesis with an SSVEP-based BCI, IEEE Trans Biomed Eng, 55(1), 361-364, 2008.
• 13. Diez P.F., Mut V.A., Avila Perona E.M., Laciar Leber E., Asynchronous BCI control using high-frequency SSVEP, Journal of neuroengineering and rehabilitation, J Neuroeng Rehabil, 8, 39, 2011.
• 14. Heidari H., Einalou Z., SSVEP extraction applying wavelet transform and decision tree with Bayes classification, International Clinical Neuroscience Journal (ICNSJ), 4 (3), 91-97, 2017.
• 15. Yeh C., Lee P., Chen W., Improvement of classification accuracy in a phase-tagged steady-state visual evoked potential-based brain computer interface using multiclass support vector machine, BioMed Eng OnLine, 12, 46, 2013.
• 16. Sayilgan E., Yuce Y.K., Isler Y., Prediction of evoking frequency from steady-state visual evoked frequency, International Conference on Artificial Intelligence towards Industry 4.0, 14-16 Kasım 2019, Iskenderun, Hatay.
• 17. Vilic A., AVI Steady-State Visual Evoked Potential (SSVEP) Signals Dataset 2013, on line: https://www.setzner.com/avi-ssvep-dataset/, 2013.
• 18. Shiliang S.J.Z., A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces, IEEE Joint Conference (IJCNN) on Neural Networks International, 1746-1753, 2014.
• 19. Rajya M., Lakshmi D., Prasad T.V., Chandra P.V., Survey on EEG signal processing methods, Int J Adv Res Comput Sci Softw Eng, 4(1), 2014.
• 20. Hoodgar M., Mehrani M., Mehranzade A., Forootan F., Proposing an effective feature extraction model for EEG signals to enhance quality of hand'’s motion detection, Journal of Academic and Applied Studies, 3(2), 1-19, 2013.
• 21. Varuneshkumar M., Anil K., Jaiswal A.K., Performance comparison of Daubechies, Biorthogonal and Haar transform for grayscale image compression, Int J Comput Appl, 126(9), 40-42, 2015.
• 22. Sonia S., David P.S., Poulose J., A Comparative Study of Wavelet Based Feature Extraction Techniques in Recognizing Isolated Spoken Words, Int J Signal Process Syst, 1(1), 49-53, 2013.
• 23. İşler Y., A detailed analysis of the effects of various combinations of heart rate variability indices in congestive heart faliure, Doktora Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir, 2009.
• 24. Tapan G., Bijaya P., Sneh A., A comparative study of wavelet families for EEG signal classification, Neurocomputing, 74, 3051-3057, 2011.
• 25. Rosso O.A., Blanco S., Yordanova J., Kolev V., Figliola A., Başar E, Wavelet entropy: a new tool for analysis of short duration brain electrical signals, J Neurosci Methods, 105, 65–75, 2001.
• 26. Duda R.O., Hart P.E., Stork D.G., Pattern Classification, 2nd edition, Wiley Interscience, 2001.
• 27. Alpaydin E., Introduction to Machine Learning, MIT Press, 2004.
• 28. Liuand H., Motoda H., Feature Selection for Knowledge Discovery and Data Mining, Kluwer Academic Publishers, London, GB, 1998.
• 29. IBM SPSS Statistics. https://www.ibm.com/tr-tr/products/spss-statistics.
• 30. Norani N.A., Mansor W., Khuan L.Y., A review of signal processing in bain computer interface system, IEEE EMBS Conference on Biomedical Engineering Sciences, 443-449, 2010.
• 31. Vaid S., Singh P., Kaur C., EEG signal analysis for BCI interface: a review, 5th International Conference on Advanced Computing Communication Technologies (ACCT2015), 143–147, Haryana, India, 2015.
• 32. Höller Y., Bergmann J., Thomschewski A., Kronbichler M., Höller, P., et al., Comparison of EEG-features and classification methods for motor imagery in patients with disorders of consciousness, PLoS ONE 8(11): e80479, 2013.
• 33. Senthilmurugan M., Latha M., Malmurugan N., Classification in EEG-based brain computer interfaces using inverse model, International Journal of Computer Theory and Engineering, 3(2), 274-276, 2011.
• 34. Lotte F., Congedo M., Lecuyer A., Lamarche F. Arnaldi B., A review of classification algorithms for EEG-based brain–computer interfaces. J Neural Eng, 4(2), R1-R13, 2007.
• 35. Jung Y., Hu J., A k-fold averaging cross-validation procedure, J Nonparametr Stat, 27, 1-13, 2015.
• 36. Narin A., İşler Y., Özer M., Konjestif kalp yetmezliği teşhisinde kullanılan çapraz doğrulama yöntemlerinin sınıflandırıcı performanslarının belirlenmesine olan etkilerinin karşılaştırılması, DEÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 16(48), 1-8, 2014.
• 37. Isler Y., Narin A., Ozer M., Comparison of the effects of cross-validation methods on determining performances of classifiers used in diagnosing cngestive heart failure, Meas Sci Rev, 15(4), 196-201, 2015.