Affiliation:
1. sağlık bilimleri üniversitesi hamidiye sağlık bilimleri enstitüsü biyomedikal mühendisliği pr.
Abstract
Beyin bilgisayar arayüzü çalışmaları, temel olarak beyin sinyallerini toplamayı, analiz etmeyi ve kullanılmak üzere komutlara çevirmeyi amaçlamaktadır. Beyin sinyallerinin kontrol komutlarına çevrilmesinde elektroensefalogram (EEG) bir olanak sağlamaktadır. Deneğe özgü ve durağan olmayan yapısı nedeniyle EEG sinyallerinin sınıflandırılması zorlu görevlerdendir ve farklı yaklaşımlarla çalışmalar yapılmaktadır. Bu çalışmaların bir bölümü motor hareket hayali içeren beyin aktivitelerinin analizini kapsamaktadır. Bu makale, eğricik dönüşüm ayrıştırmasını kullanan iki sınıflı bir motor görüntüsü sınıflandırma algoritması sunmaktadır. Önerilen algoritma, BBA yarışması IV veri kümesi IIa kullanılarak gerçekleştirilmiştir. 22 kanaldan oluşturulan veri kümesinden, seçilen üç kanala (C3, Cz ve C4) ait EEG sinyalleri uygulamada kullanılmaktadır ve kanal sinyallerine 9-30 Hz frekans aralığı için eğricik dönüşümü uygulanmaktadır. Elde edilen dönüşüm katsayıları üzerinden standart sapma, ortalama değer ve log-varyans değerleri hesaplanarak özellik vektörleri oluşturulmaktadır. Doğrudan özellik vektörleri üzerinden ve özellik seçimi yapılarak karşılaştırmalı sınıflandırma işlemleri gerçekleştirilmektedir. Özellik seçimi için t-test yöntemi kullanılmakta, sınıflandırma işlemi k-NN sınıflandırıcısı kullanılarak gerçekleştirilmiştir.
Publisher
Afyon Kocatepe University
Reference16 articles.
1. Candes, E.J., and Donoho, D.L., 2000. Curvelets: A surprisingly effective nonadaptive representation for objects with edges. Curves and Surfaces. 105-120.
2. Candès E., Demanet L., Donoho D., and Ying L., 2006. Fast Discrete Curvelet Transforms. Multiscale Modeling and Simulation, 5(3), 861-899.
3. Constantin A., and Danyluk A., 2007. A Brain-Computer Interface for the Classification of Motor Imagery. Bachelor thesis, Williams College, USA.
4. Curran E.A., and Stokes M.J., 2003. Learning to control brain activity: A review of the production and control of EEG components for driving brain–computer interface (BCI) systems. Brain and cognition. 51(3), 326-336.
5. Garrett D., Peterson D.A., Anderson C.W., and Thaut M.H., 2003. Comparison of linear, nonlinear, and feature selection methods for EEG signal classification. IEEE Transactions on neural systems and rehabilitation engineering. 11(2), 141-144.