İstatistiksel anlamlı zaman alanı EEG özniteliklerinden el parmak hareketlerinin sınıflandırılması

Mürşide Değirmenci; Yilmaz Yüce; Yalçın İşler

Makale detayları

İstatistiksel anlamlı zaman alanı EEG özniteliklerinden el parmak hareketlerinin sınıflandırılması

Yazarlar:

Mürşide Değirmenci | Yilmaz Yüce | Yalçın İşler

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1597-1610

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310085

pISSN:

1300-1884

Anahtar kelimeler:

Özet:

 Motor Hayali Elektroensefalogram EEG sinyalleri, Beyin-Bilgisayar Arayüzlerinde BBA yaygın olarak kullanılmaktadır. Son yıllarda, büyük uzuv hareketlerinin motor hayali EEG sinyalleri, çeşitli makine öğrenme yaklaşımları kullanılarak sınıflandırılmaya çalışılmıştır. Ancak, hayali parmak hareketlerinin EEG sinyallerinin sınıflandırılması, parmak hareketlerinin ayırt edilmesini zorlaştıran daha küçük ve gürültülü sinyal özelliklerinden dolayı daha az sıklıkla analiz edilmektedir. Bu çalışma, hayali parmak hareketlerinin Başparmak, İşaret parmağı, Orta parmak, Yüzük parmağı, Serçe parmak ve hayali olmayan görev durumunun NoMT sınıflandırılması için EEG sinyal temsillerinin istatistiksel olarak anlamlı zaman alanı özniteliklerine dayalı olduğu bir yöntem önermektedir. 8 sağlıklı deneğin 21 EEG kanalından 24 farklı zaman alanı özniteliği çıkarılmaktadır. Önemli ve ilgili zaman alanı özniteliklerini belirlemek için istatistiksel anlamlılığa ANOVA dayalı özellik seçim yöntemi ve Temel Bileşen Analizi TBA kullanılmaktadır. Bu çalışma, istatistiksel olarak anlamlı özniteklilerin etkili analizi için 4 farklı yaklaşımı araştırmaktadır. Bunlar i tüm zaman alanı özniteliklerini, ii PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini, iii ANOVA tabanlı belirlenmiş olan istatistiksel olarak anlamlı zaman alanı özniteliklerini ve iv ANOVA tabanlı belirlenmiş istatistiksel olarak anlamlı zaman alanı özelliklerinden PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini kullanan yaklaşımlardır. Farklı parametrelere sahip sekiz farklı tipik sınıflandırıcı, 5-kat çapraz doğrulama kullanılarak 6 grubu sınıflandırmak için hesaplanmıştır. Önerilen yöntemler hem denek bağımlı hem de denek bağımsız koşullar için incelenmiştir. Sonuçlar, istatistiksel anlamlılığa dayalı öznitelik seçim yönteminin TBA tabanlı öznitelik seçimine kıyasla daha iyi performans verdiğini göstermektedir. Denekten bağımsız analizde, istatistiksel olarak anlamlı zaman alanı öznitelikleri ve Destek Vektör Makinesi SVM algoritması kullanılarak en yüksek eğitim doğrulama doğruluğu ve test doğruluğu değerleri 37,8 ve 35,8 olarak hesaplanmıştır. Deneğe bağlı analizlerde istatistiksel olarak anlamlı zaman alanı öznitelikleri ve DVM kullanılarak 8 kişinin en yüksek eğitim doğruluk değerleri 27,7-53,0 olarak hesaplanmıştır ve 8 kişinin test doğruluk değerleri 33,3-57,5 olarak hesaplanmıştır. Çalışma sonucunda, denek bağımlı sınıflandırmaların performansları denek bağımsız sınıflamalara göre daha yüksektir. Deneğe bağlı bu en yüksek sonuçlar, gelecek zamanda kişiselleştirilmiş el protezlerinin tasarımı çalışmalarında EEG tabanlı BBA sistemlerinin tasarımı için ümit vericidir.

 Motor Hayali Elektroensefalogram EEG sinyalleri, Beyin-Bilgisayar Arayüzlerinde BBA yaygın olarak kullanılmaktadır. Son yıllarda, büyük uzuv hareketlerinin motor hayali EEG sinyalleri, çeşitli makine öğrenme yaklaşımları kullanılarak sınıflandırılmaya çalışılmıştır. Ancak, hayali parmak hareketlerinin EEG sinyallerinin sınıflandırılması, parmak hareketlerinin ayırt edilmesini zorlaştıran daha küçük ve gürültülü sinyal özelliklerinden dolayı daha az sıklıkla analiz edilmektedir. Bu çalışma, hayali parmak hareketlerinin Başparmak, İşaret parmağı, Orta parmak, Yüzük parmağı, Serçe parmak ve hayali olmayan görev durumunun NoMT sınıflandırılması için EEG sinyal temsillerinin istatistiksel olarak anlamlı zaman alanı özniteliklerine dayalı olduğu bir yöntem önermektedir. 8 sağlıklı deneğin 21 EEG kanalından 24 farklı zaman alanı özniteliği çıkarılmaktadır. Önemli ve ilgili zaman alanı özniteliklerini belirlemek için istatistiksel anlamlılığa ANOVA dayalı özellik seçim yöntemi ve Temel Bileşen Analizi TBA kullanılmaktadır. Bu çalışma, istatistiksel olarak anlamlı özniteklilerin etkili analizi için 4 farklı yaklaşımı araştırmaktadır. Bunlar i tüm zaman alanı özniteliklerini, ii PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini, iii ANOVA tabanlı belirlenmiş olan istatistiksel olarak anlamlı zaman alanı özniteliklerini ve iv ANOVA tabanlı belirlenmiş istatistiksel olarak anlamlı zaman alanı özelliklerinden PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini kullanan yaklaşımlardır. Farklı parametrelere sahip sekiz farklı tipik sınıflandırıcı, 5-kat çapraz doğrulama kullanılarak 6 grubu sınıflandırmak için hesaplanmıştır. Önerilen yöntemler hem denek bağımlı hem de denek bağımsız koşullar için incelenmiştir. Sonuçlar, istatistiksel anlamlılığa dayalı öznitelik seçim yönteminin TBA tabanlı öznitelik seçimine kıyasla daha iyi performans verdiğini göstermektedir. Denekten bağımsız analizde, istatistiksel olarak anlamlı zaman alanı öznitelikleri ve Destek Vektör Makinesi SVM algoritması kullanılarak en yüksek eğitim doğrulama doğruluğu ve test doğruluğu değerleri 37,8 ve 35,8 olarak hesaplanmıştır. Deneğe bağlı analizlerde istatistiksel olarak anlamlı zaman alanı öznitelikleri ve DVM kullanılarak 8 kişinin en yüksek eğitim doğruluk değerleri 27,7-53,0 olarak hesaplanmıştır ve 8 kişinin test doğruluk değerleri 33,3-57,5 olarak hesaplanmıştır. Çalışma sonucunda, denek bağımlı sınıflandırmaların performansları denek bağımsız sınıflamalara göre daha yüksektir. Deneğe bağlı bu en yüksek sonuçlar, gelecek zamanda kişiselleştirilmiş el protezlerinin tasarımı çalışmalarında EEG tabanlı BBA sistemlerinin tasarımı için ümit vericidir.

 Motor Hayali Elektroensefalogram EEG sinyalleri, Beyin-Bilgisayar Arayüzlerinde BBA yaygın olarak kullanılmaktadır. Son yıllarda, büyük uzuv hareketlerinin motor hayali EEG sinyalleri, çeşitli makine öğrenme yaklaşımları kullanılarak sınıflandırılmaya çalışılmıştır. Ancak, hayali parmak hareketlerinin EEG sinyallerinin sınıflandırılması, parmak hareketlerinin ayırt edilmesini zorlaştıran daha küçük ve gürültülü sinyal özelliklerinden dolayı daha az sıklıkla analiz edilmektedir. Bu çalışma, hayali parmak hareketlerinin Başparmak, İşaret parmağı, Orta parmak, Yüzük parmağı, Serçe parmak ve hayali olmayan görev durumunun NoMT sınıflandırılması için EEG sinyal temsillerinin istatistiksel olarak anlamlı zaman alanı özniteliklerine dayalı olduğu bir yöntem önermektedir. 8 sağlıklı deneğin 21 EEG kanalından 24 farklı zaman alanı özniteliği çıkarılmaktadır. Önemli ve ilgili zaman alanı özniteliklerini belirlemek için istatistiksel anlamlılığa ANOVA dayalı özellik seçim yöntemi ve Temel Bileşen Analizi TBA kullanılmaktadır. Bu çalışma, istatistiksel olarak anlamlı özniteklilerin etkili analizi için 4 farklı yaklaşımı araştırmaktadır. Bunlar i tüm zaman alanı özniteliklerini, ii PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini, iii ANOVA tabanlı belirlenmiş olan istatistiksel olarak anlamlı zaman alanı özniteliklerini ve iv ANOVA tabanlı belirlenmiş istatistiksel olarak anlamlı zaman alanı özelliklerinden PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini kullanan yaklaşımlardır. Farklı parametrelere sahip sekiz farklı tipik sınıflandırıcı, 5-kat çapraz doğrulama kullanılarak 6 grubu sınıflandırmak için hesaplanmıştır. Önerilen yöntemler hem denek bağımlı hem de denek bağımsız koşullar için incelenmiştir. Sonuçlar, istatistiksel anlamlılığa dayalı öznitelik seçim yönteminin TBA tabanlı öznitelik seçimine kıyasla daha iyi performans verdiğini göstermektedir. Denekten bağımsız analizde, istatistiksel olarak anlamlı zaman alanı öznitelikleri ve Destek Vektör Makinesi SVM algoritması kullanılarak en yüksek eğitim doğrulama doğruluğu ve test doğruluğu değerleri 37,8 ve 35,8 olarak hesaplanmıştır. Deneğe bağlı analizlerde istatistiksel olarak anlamlı zaman alanı öznitelikleri ve DVM kullanılarak 8 kişinin en yüksek eğitim doğruluk değerleri 27,7-53,0 olarak hesaplanmıştır ve 8 kişinin test doğruluk değerleri 33,3-57,5 olarak hesaplanmıştır. Çalışma sonucunda, denek bağımlı sınıflandırmaların performansları denek bağımsız sınıflamalara göre daha yüksektir. Deneğe bağlı bu en yüksek sonuçlar, gelecek zamanda kişiselleştirilmiş el protezlerinin tasarımı çalışmalarında EEG tabanlı BBA sistemlerinin tasarımı için ümit vericidir.

 Motor Hayali Elektroensefalogram EEG sinyalleri, Beyin-Bilgisayar Arayüzlerinde BBA yaygın olarak kullanılmaktadır. Son yıllarda, büyük uzuv hareketlerinin motor hayali EEG sinyalleri, çeşitli makine öğrenme yaklaşımları kullanılarak sınıflandırılmaya çalışılmıştır. Ancak, hayali parmak hareketlerinin EEG sinyallerinin sınıflandırılması, parmak hareketlerinin ayırt edilmesini zorlaştıran daha küçük ve gürültülü sinyal özelliklerinden dolayı daha az sıklıkla analiz edilmektedir. Bu çalışma, hayali parmak hareketlerinin Başparmak, İşaret parmağı, Orta parmak, Yüzük parmağı, Serçe parmak ve hayali olmayan görev durumunun NoMT sınıflandırılması için EEG sinyal temsillerinin istatistiksel olarak anlamlı zaman alanı özniteliklerine dayalı olduğu bir yöntem önermektedir. 8 sağlıklı deneğin 21 EEG kanalından 24 farklı zaman alanı özniteliği çıkarılmaktadır. Önemli ve ilgili zaman alanı özniteliklerini belirlemek için istatistiksel anlamlılığa ANOVA dayalı özellik seçim yöntemi ve Temel Bileşen Analizi TBA kullanılmaktadır. Bu çalışma, istatistiksel olarak anlamlı özniteklilerin etkili analizi için 4 farklı yaklaşımı araştırmaktadır. Bunlar i tüm zaman alanı özniteliklerini, ii PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini, iii ANOVA tabanlı belirlenmiş olan istatistiksel olarak anlamlı zaman alanı özniteliklerini ve iv ANOVA tabanlı belirlenmiş istatistiksel olarak anlamlı zaman alanı özelliklerinden PCA tabanlı belirlenmiş temel zaman alanı bileşenlerini kullanan yaklaşımlardır. Farklı parametrelere sahip sekiz farklı tipik sınıflandırıcı, 5-kat çapraz doğrulama kullanılarak 6 grubu sınıflandırmak için hesaplanmıştır. Önerilen yöntemler hem denek bağımlı hem de denek bağımsız koşullar için incelenmiştir. Sonuçlar, istatistiksel anlamlılığa dayalı öznitelik seçim yönteminin TBA tabanlı öznitelik seçimine kıyasla daha iyi performans verdiğini göstermektedir. Denekten bağımsız analizde, istatistiksel olarak anlamlı zaman alanı öznitelikleri ve Destek Vektör Makinesi SVM algoritması kullanılarak en yüksek eğitim doğrulama doğruluğu ve test doğruluğu değerleri 37,8 ve 35,8 olarak hesaplanmıştır. Deneğe bağlı analizlerde istatistiksel olarak anlamlı zaman alanı öznitelikleri ve DVM kullanılarak 8 kişinin en yüksek eğitim doğruluk değerleri 27,7-53,0 olarak hesaplanmıştır ve 8 kişinin test doğruluk değerleri 33,3-57,5 olarak hesaplanmıştır. Çalışma sonucunda, denek bağımlı sınıflandırmaların performansları denek bağımsız sınıflamalara göre daha yüksektir. Deneğe bağlı bu en yüksek sonuçlar, gelecek zamanda kişiselleştirilmiş el protezlerinin tasarımı çalışmalarında EEG tabanlı BBA sistemlerinin tasarımı için ümit vericidir.

Makale detayları

İstatistiksel anlamlı zaman alanı EEG özniteliklerinden el parmak hareketlerinin sınıflandırılması

Yazarlar:

Mürşide Değirmenci | Yilmaz Yüce | Yalçın İşler

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1597-1610

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310085

pISSN:

1300-1884

Parmak hareketleri sınıflandırması

Elektroensefalogram sinyalleri

Makine öğrenmesi

İstatistiksel anlamlılık

Sayı

Makale detayları

İstatistiksel anlamlı zaman alanı EEG özniteliklerinden el parmak hareketlerinin sınıflandırılması

Yazarlar: Mürşide Değirmenci | Yilmaz Yüce | Yalçın İşler

Yayıncı: Gazi University

Ana Başlıklar: Mühendislik

Dergi: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1597-1610

Belge Tipi: Makale

Yayın Tarihi: 5/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001310085

pISSN: 1300-1884

Parmak hareketleri sınıflandırması

Elektroensefalogram sinyalleri

Makine öğrenmesi

İstatistiksel anlamlılık

Sayı

Yazarlar:

Mürşide Değirmenci | Yilmaz Yüce | Yalçın İşler

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 3, pp.1597-1610

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310085

pISSN:

1300-1884