İstatistiksel anlamlı zaman alanı EEG özniteliklerinden el parmak hareketlerinin sınıflandırılması

Abstract

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.