Parmak hareketlerine ilişkin ECoG örüntülerin AR tabanlı öznitelikler ile sınıflandırılması

Mehmet Siraç ÖZERDEM; Kerim KARADAĞ

Makale detayları

Parmak hareketlerine ilişkin ECoG örüntülerin AR tabanlı öznitelikler ile sınıflandırılması

Yazarlar:

Mehmet Siraç ÖZERDEM | Kerim KARADAĞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2014 Vol.5 Issue 2, pp.89-97

Belge Tipi:

Makale

Yayın Tarihi:

11/2014

Belge Dili:

Türkçe

Document ID (Org No.):

2000950815

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 

Classification of electrocorticography (ECoG)
 records related to finger movement is the main
 purpose of this study. Data set IV presented in BCI
 Competition IV was used in this paper. This data set
 contains brain signals from three epileptic subjects
 and the data records consist of both ECoG and
 electronic glove data. ECoG segments related finger
 movements were extracted by means of finger
 movement records generated by electronic glove.
 Features of segments having different data points
 were extracted using autoregressive (AR) model.
 The AR coefficients were classified with Support
 Vector Machine (SVM) and K nearest neighbors
 (kNN) classifiers.
 AR coefficients were calculated using the least
 squares method. To get the acceptable result, the AR
 coefficients were calculated in the range of [3-10]
 order. At the end of the analysis, the third-order AR
 coefficients produces acceptable results were
 observed.
 k nearest neighbor (kNN) algorithm was introduced
 by Dasarathy in1991. It is a machine learning
 algorithm that reads a set of labeled training set,
 and then it is used to classify an unlabeled testing
 set. In order to classify a testing pattern, it computes
 the distance between testing pattern and all the
 training patterns. Then, the k training patterns of
 closest distance to the testing pattern are used to
 determine the class of testing pattern. To get the
 acceptable results in our classification problem, the
 distance of patterns were calculated with the k
 parameter in the range of [1-10] order. At the end of
 the analysis, generally the highest classification
 performances were observed with small k values.
 Support vector machine (SVM) is a discriminative
 classifier formally defined by a separating
 hyperplane. In other words, SVMs are based on the
 concept of decision planes that define decision
 boundaries. A decision plane is one that separates
 between a set of objects having different class
 memberships. In our study, SVM was used to classify
 the ECoG patterns with the kernel of radial base
 function. At the end of the SVM classification, the
 optimal values were obtained for regularization and
 sigma parameters of SVM.
 To find the finger which is hardest to classify among
 all fingers, different applications were achieved. In
 the first application, it consists of two classes for P1
 and P5. In the second application, it consists of
 three classes for P1, P2 and P5. In the third
 application, it consists of four classes for P1, P2, P3
 and P5. In the last application, it consists of five
 classes for P1, P2, P3, P4 and P5.The results
 showed that performances were decreased with
 increasing of classes, which was also an expected
 result.
 We listed the performances of SVM and kNN
 methods. We found that the SVM method yielded the
 best performance in classifying the ECoG pattern
 related to finger movements.
 For the SVM classifier, the mean performances of
 three subjects were obtained as follows;
 classification rate 87.35% for two fingers,
 classification rate 66.97% for three fingers,
 classification rate 50.06% for four fingers and
 classification rate 34.41% for five fingers.
 For the kNN classifier, the mean performances of
 three subjects were obtained as follows;
 classification rate 75.35% for two fingers,
 classification rate 55.50% for three fingers,
 classification rate 39.00% for four fingers and
 classification rate 31.90% for five fingers.
 The results showed that we need different
 approaches to impove the performances. To get the
 higher performance, more effective methods should
 be improved. In the future work, we focused on this
 problem.

 

Bu çalışmasında, ECoG kayıtları kullanılarak parmak hareketlerinin sınıflandırılması amaçlanmıştır.
 Çalışmada BCI Competition IV yarışmasında sunulan Data set IV isimli veri kümesi kullanılmıştır. Veri
 kümesinde üç epilepsi hastasına ilişkin ECoG kayıtları ve parmak hareketlerini gösteren elektronik eldiven
 kayıtları yer almaktadır. Eldiven kayıtları referans alınarak, parmak hareketlerinin yer aldığı ECoG
 bölütleri belirlenmiştir. Farklı uzunluklardaki belirlenen bölütlerin öznitelik vektörleri, özbağlanımlı (AR)
 modelleme ile elde edilmiştir. Öznitelik vektörleri kNN ve DVM yöntemleri ile sınıflandırılmıştır.
 Sınıflandırıcı açısından bakıldığında, DVM yönteminin kNN sınıflandırıcısına göre daha iyi bir performans
 sergilediği görülmektedir. DVM ile yapılan sınıflandırılma işleminde, her üç denek için iki parmağın
 sınıflandırma başarı ortalaması %87.35, üç parmağın sınıflandırma başarı ortalaması %66.97, dört
 parmağın sınıflandırma başarı ortalaması %50.06 ve tüm parmakların sınıflandırma başarı ortalaması
 %34.41 olarak elde edilmiştir. kNN ile yapılan sınıflandırılma işleminde, her üç denek için iki parmağın
 sınıflandırma başarı ortalaması %75.35, üç parmağın sınıflandırma başarı ortalaması %55.50, dört
 parmağın sınıflandırma başarı ortalaması %39.00 ve tüm parmakların sınıflandırma başarı ortalaması
 %31.90 olarak elde edilmiştir.
 AR katsayıları açısından bakıldığında, çoğunlukla m=3 katsayı ile en yüksek başarımların elde edildiği
 görülmüştür. Denekler açısından bakıldığında, tüm sınıflandırma işlemlerinde denek 1’in en yüksek
 sınıflandırma performansına sahip olduğu görülmektedir. Denek 2 ve denek 3’ün sınıflandırılacak parmak
 sayısına göre farklı performanslar sergiledikleri görülmektedir.
 Sınıflandırılan parmak sayısı açısından bakıldığında, ayrıştırılacak parmak sayısının artması ile başarı
 oranı dramatik olarak düştüğü görülmektedir. Sınıf sayısının artması ile hem DVM hem de kNN
 sınıflandırıcı performanslarının oldukça düşük seviyelerde yer aldığı görülmektedir.

Makale detayları

Parmak hareketlerine ilişkin ECoG örüntülerin AR tabanlı öznitelikler ile sınıflandırılması

Yazarlar:

Mehmet Siraç ÖZERDEM | Kerim KARADAĞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2014 Vol.5 Issue 2, pp.89-97

Belge Tipi:

Makale

Yayın Tarihi:

11/2014

Belge Dili:

Türkçe

Document ID (Org No.):

2000950815

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

ECoG

Parmak hareketleri

özbağlanımlı modelleme

DVM

kNN

Sınıflandırma

Sayı

Makale detayları

Parmak hareketlerine ilişkin ECoG örüntülerin AR tabanlı öznitelikler ile sınıflandırılması

Yazarlar: Mehmet Siraç ÖZERDEM | Kerim KARADAĞ

Yayıncı: Dicle University

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2014 Vol.5 Issue 2, pp.89-97

Belge Tipi: Makale

Yayın Tarihi: 11/2014

Belge Dili: Türkçe

Document ID (Org No.): 2000950815

Sıklık: Üç Aylık

eISSN: 2146-4391

pISSN: 1309-8640

ECoG

Parmak hareketleri

özbağlanımlı modelleme

DVM

kNN

Sınıflandırma

Sayı

Yazarlar:

Mehmet Siraç ÖZERDEM | Kerim KARADAĞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2014 Vol.5 Issue 2, pp.89-97

Belge Tipi:

Makale

Yayın Tarihi:

11/2014

Belge Dili:

Türkçe

Document ID (Org No.):

2000950815

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640