Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma

Onursal ÇETİN; Feyzullah TEMURTAŞ

Makale detayları

Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma

Yazarlar:

Onursal ÇETİN | Feyzullah TEMURTAŞ

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Sakarya University Journal of Computer and Information Sciences 2018 Vol.1 Issue 2, pp.1-7

Belge Tipi:

Makale

Yayın Tarihi:

7/2018

Belge Dili:

Türkçe

Document ID (Org No.):

2000552191

Özet:

 


Brain-computer interface (BCI) can provide communication and
control between the human brain and a computer. Detection of brain signals is
the most basic level for these systems. Magnetoencephalography (MEG) is a
non-invasive neuroimaging technique for decoding brain activity. MEG signals
are complicated and can be easily affected by environmental events and
functional differences of the brain. It is difficult to get information from
these complex signals for BCI systems. Therefore, advanced signal processing
techniques are required to make the information meaningful. In this study, the
success of learning vector quantization (LVQ) algorithm has been put forward by
classifying magnetoencephalography signals through LVQ. Classification accuracy
is obtained via 10-fold cross validation. The performance of proposed
classifier is compared with the results of the previous methods reported
focusing on MEG and using same dataset.


.

 


Beyin-bilgisayar arayüzü (BCI) insan beyni ve bilgisayar
arasında iletişim ve kontrol sağlayabilir. Beyin sinyallerinin saptanması, bu
sistemler için en temel düzeydir. Manyetoensefalografi (MEG) beyin aktivitesini
çözmek için invazif olmayan bir görüntüleme tekniğidir. MEG sinyalleri
karmaşıktır ve çevresel olaylardan ve beynin fonksiyonel farklılıklarından
kolayca etkilenebilir. BCI sistemleri için bu karmaşık sinyallerden bilgi almak
zordur. Bu nedenle, bilgiyi anlamlı kılmak için ileri sinyal işleme teknikleri
gereklidir. Bu çalışmada, manyetoensefalografi sinyallerini öğrenmeli vektör kuantalama
(LVQ) ile sınıflandırarak LVQ algoritmasının başarısı ortaya konulmuştur.
Sınıflandırma doğruluğu 10 kat çapraz doğrulama ile elde edilmiştir. Önerilen
sınıflandırıcının performansı, MEG'e odaklanan ve aynı veri setini kullanan
önceki yöntemler ile karşılaştırılmıştır.


.

Makale detayları

Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma

Yazarlar: Onursal ÇETİN | Feyzullah TEMURTAŞ

Ana Başlıklar: Veri işleme & bilgisayar bilimi

Dergi: Sakarya University Journal of Computer and Information Sciences 2018 Vol.1 Issue 2, pp.1-7

Belge Tipi: Makale

Yayın Tarihi: 7/2018

Belge Dili: Türkçe

Document ID (Org No.): 2000552191

Sayı

Yazarlar:

Onursal ÇETİN | Feyzullah TEMURTAŞ

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Sakarya University Journal of Computer and Information Sciences 2018 Vol.1 Issue 2, pp.1-7

Belge Tipi:

Makale

Yayın Tarihi:

7/2018

Belge Dili:

Türkçe

Document ID (Org No.):

2000552191