Nilüfer Çiçeği ve Kediotu Kokularını Koklama Anında Kaydedilmiş EEG İşaretlerinin Sınıflandırılması

Yıl 2017, Cilt: 21 Sayı: 2, 430 - 436, 15.08.2017

Ebru Yavuz , Önder Aydemir

Öz

Beynin duyu organları üzerinden gelen bilgilere verdiği cevaplar farklı ölçme yöntemleri ile analiz edilebilmektedir. Mevcut yöntemler arasından elektroensefalografi  (EEG) tekniği acı vermeyen ve kolay uygulanabilir özelliklerinden dolayı en fazla tercih edilenlerin başında gelmektedir. Koklama duyusuna beynin verdiği cevaplar son yıllarda araştırılan bir konudur. Ancak, klinik amaçlı çalışılan kokuların az olması ve yöntemlerin farklılık arz etmesinden dolayı beynin kokulara nasıl bir tepki verdiği konusunda net ve kesin bir sonuca ulaşılamamıştır. Bu çalışmada kediotu ve nilüfer çiçeği kokularının EEG işaretlerinde oluşturduğu farklılıklar incelenmiş ve bu kokulara ait EEG işaretleri sınıflandırılmıştır. EEG verileri 5 sağlıklı kişiden, gözleri açık ve kapalı olduğu durumda kaydedilmiştir. Bu iki kokuya ait EEG işaretlerini temsil etmek için kişilerin gözleri açık iken kaydedilen işaretlerin çarpıklık değeri ve hızlı Fourier dönüşümü öznitelikleri ile kişilerin gözleri kapalı iken kaydedilen işaretler hızlı Fourier dönüşümü öznitelikleri ile temsil edilmiştir. Çıkarılan öznitelikler k-en yakın komşuluk yöntemi ile sınıflandırılmıştır. Elde edilen sonuçlara göre kişilerin gözleri açık durumda iken ortalama %97.28, kişilerin gözleri kapalı durumda iken ortalama %90.97 sınıflandırma doğruluğu elde edilmiştir. Ulaşılan sonuçlar önerilen öznitelik çıkarma ve sınıflandırma yönteminin nilüfer çiçeği ve kediotu kokularına ait EEG işaretlerinin sınıflandırılması için büyük potansiyele sahip olduğunu göstermiştir.

Anahtar Kelimeler

Elektroensefalografi, Nilüfer çiçeği; Kediotu; Hızlı Fourier dönüşümü; Çarpıklık; k-en yakın komşuluk

Kaynakça

• [1] Lachaux, J. P., Rudrauf, D., Kahane, P. 2003. Intracranial EEG and human brain mapping. Journal of Physiology-Paris, 97(4), 613-628.
• [2] Aydemir, Ö., Kayıkçıoğlu, T. 2009. EEG Tabanlı Beyin Bilgisayar Arayüzleri. Akademik Bilişim, Şanlıurfa, ss 7-13.
• [3] Huster, R. J., Mokom, Z. N., Enriquez-Geppert, S., Herrmann, C. S. 2014. Brain–computer interfaces for EEG neurofeedback: Peculiarities and solutions. International Journal of Psychophysiology, 91(1), 36-45.
• [4] Vidaurre, C., Sannelli, C., Samek, W., Dähne, S., Müller, K. R. 2015. Machine Learning Methods of the Berlin Brain-Computer Interface. IFAC-PapersOnLine, 48(20), 447-452.
• [5] López‐Mascaraque, L., Trejo, J. L. 2013. From the nose to the brain: Olfaction and Neuroscience. The Anatomical Record, 296(9), 1285-1286.
• [6] Axel, R. 2005. Scents and sensibility: a molecular logic of olfactory perception (Nobel lecture). Angewandte Chemie International Edition, 44(38), 6110-6127.
• [7] Kjelvik, G., Evensmoen, H. R.,Brezova, V., Håberg, A. K. 2012. The human brain representation of odor identification. Journal of neurophysiology, 108(2), 645-657.
• [8] Freeman, W. J., Di Prisco, G. V. 1986. EEG spatial pattern differences with discriminated odors manifest chaotic and limit cycle attractors in olfactory bulb of rabbits. In Brain theory, ss 97-119.
• [9] Grajski, K. A., Breiman, L., Prisco, G. V. D., Freeman, W. J. 1986. Classification of EEG spatial patterns with a tree-structured methodology: CART. Biomedical Engineering, IEEE Transactions on, (12), 1076-1086.
• [10] Freeman, W. J. 1987. Simulation of chaotic EEG patterns with a dynamic model of the olfactory system. Biological cybernetics, 56(2-3), 139-150.
• [11] Barrie, J. M., Freeman, W. J., Lenhart, M. D. 1996. Spatiotemporal analysis of prepyriform, visual, auditory, and somesthetic surface EEGs in trained rabbits. Journal of Neurophysiology, 76(1), 520-539.
• [12] Howard, J. D., Plailly, J., Grueschow, M., Haynes, J. D., & Gottfried, J. A. 2009. Odor quality coding and categorization in human posterior piriform cortex. Nature neuroscience, 12(7), 932-938.
• [13] Zelano, C., Montag, J., Johnson, B., Khan, R., & Sobel, N. 2007. Dissociated representations of irritation and valence in human primary olfactory cortex. Journal of neurophysiology, 97(3), 1969-1976.
• [14] Djordjevic, J., Zatorre, R. J., Petrides, M., Boyle, J. A., & Jones-Gotman, M. 2005. Functional neuroimaging of odor imagery. Neuroimage, 24(3), 791-801.
• [15] Ho, M. W., Ser, W., Sieow, B. F., Lwin, M. O., Kwok, K. F. 2013. A study of EEG signals modeling for different scent intensity levels. In Neural Engineering (NER), 2013 6th International IEEE/EMBS Conference on (ss 1445-1448). IEEE.
• [16] Placidi, G., Petracca, A., Spezialetti, M., Iacoviello, D. 2015. Classification strategies for a single-trial binary Brain Computer Interface based on remembering unpleasant odors. In Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE (ss 7019-7022). IEEE.
• [17] Kroupi, E., Yazdani, A., Vesin, J. M., Ebrahimi, T. 2014. EEG correlates of pleasant and unpleasant odor perception. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 11(1s), 13.
• [18] Uktveris, T., Jusas, V. 2015. Comparison of Feature Extraction Methods for EEG BCI Classification. In Information and Software Technologies (ss. 81-92). Springer International Publishing.
• [19] Lim, J., Seo, B., Chun, S. 2014. Suggestion of a New Brain Reaction Index for the EEG Signal Identification and Analysis. International Journal of Bio-Science and Bio-Technology, 6(4), 123-132.
• [20] Thieu, T. N., Yang, H. J. 2015. Diagnosis of Epilepsy in Patients Based on the Classification of EEG Signals Using Fast Fourier Transform. In Current Approaches in Applied Artificial Intelligence (ss. 493-500). Springer International Publishing.
• [21] Liengme, B. V. 2014. Fast Fourier transform. In Modelling Physics with Microsoft Excel®. Morgan, Claypool Publishers.
• [22] Aydemir, O., Kayikcioglu, T. 2014. Decision tree structure based classification of EEG signals recorded during two dimensional cursor movement imagery. Journal of neuroscience methods, 229, 68-75.
• [23] Mohanchandra, K., Saha, S., Murthy, K. S., Lingaraju, G. M. 2015. Distinct adoption of k-nearest neighbour and support vector machine in classifying EEG signals of mental tasks. International Journal of Intelligent Engineering Informatics, 3(4), 313-329.
• [24] Hosseinifard, B., Moradi, M. H., Rostami, R. 2013. Classifying depression patients and normal subjects using machine learning techniques and nonlinear features from EEG signal. Computer methods and programs in biomedicine, 109(3), 339-345.
• [25] Tokmakçi, M., Asyali, M. H., Seğmen, H. 2010. Examining EEG signals with parametric and non-parametric analyses methods in migraine patients during pregnancy. IEEE Conference In Biomedical Engineering Meeting, 2010 15th National (ss. 1-4).