Beyinde üretilen yöne bağlı EEG sinyallerinin öznitelik çıkarımı yardımıyla sınıflandırılması

Abstract

Son 20 yıl içerisindeki teknolojik gelişmelere paralel olarak değişen ve hızla gelişen biyomedikal alanda, çok büyük yenilikler ortaya çıkmıştır. Bilim ve teknoloji, filmlere konu olmuş ve düşünce gücü ile makinelerin kontrolünün mümkün olabildiği bir seviyeye ulaşmıştır. Beyin Bilgisayar Arayüzü (BBA) denilen uygulamalar sayesinde, insan beyninin elektriksel aktivitesi kaydedilmekte ve bu aktivite makine kontrol kodlarına dönüştürülebilmektedir. Bu uygulamalar sayesinde, motor sinir sistemi ve iskelet sistemi kullanılmaksızın yani her hangi bir istemli kas hareketi gerekmeksizin bir bilgisayar, elektromekanik bir kol veya çeşitli cihazların kullanımı olanaklı hale getirilebilmektedir. BBA ların ortaya çıkmasındaki en temel düşünce, felçli veya Amyotrofik Lateral Skleroz (ALS) hastaları gibi kas hareketi yapamayan hastalara çevresel cihazları kullanabilme ve onların yaşamlarını daha kolay hale getirerek kendi ihtiyaçlarını kolaylaştırabilme imkanı sunmaktır. Bu tez çalışması ile insan-makine arasında yeni bir iletişim tekniği olan BBA sistemi oluşturulması konu edinmiştir. Bu nedenle, BBA sistemlerin temelini oluşturan Elektroensefalogram (EEG) sinyalleri kafatası yüzeyinden uzman bir sistem yardımı ile kaydedilmiştir. Sinyal içerisindeki elektriksel bilgiyi ortaya çıkarmak için zaman alanında ortalama sinyal gücü, varyans, entropi ve hjorth paramatreleri ve frekans alanında fourier ve hızlı fourier analizi, spektral güç yoğunluğu ve dalgacık enerjileri gibi özellik çıkarım yöntemleri kullanılmıştır. Bu özellik boyutlarının indirgenmesi ve temel sinyal bileşenlerinin elde edilmesi adına da temel bileşenler analizi (PCA) ve bağımsız bileşenler analizi (ICA) metotları kullanılmıştır. Sonrasında, özellikleri çıkarılan sinyalleri sınıflandırmak için adaptif ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS), öğrenmeli vektör kuantalama (LVQ), çok katmanlı yapay sinir ağı (MLNN), olasılıksal yapay sinir ağı (PNN), karar ağacı, lineer diskriminat analiz (LDA), en yakın k komşuluğu algoritması (kNN), lineer destek vektör makinesi (SVM) ve en küçük kareler destek vektör makinesi (LS-SVM) gibi algoritmalardan faydalanılmıştır. BBA sistemi oluşturabilmek için beyinde yöne bağlı olarak üretilen EEG sinyalleri kaydedilmiş, zaman ve frekans alınlarındaki sinyal özellikleri çıkarılmış ve bu sinyallerde saklı olan yön bilgileri, sınıflandırma algoritmaları yardımıyla tanınmıştır. Ayrıca tez çalışması, 10 farklı katılımcıdan alınan verilerin, tüm özellik yöntemleri ve tüm sınıflandırma algoritmaları kullanılarak iki boyutlu (2-D) imleç kontrolü üzerine oluşturulan BBA sisteminde çevrimdışı (offline) olarak değerlendirilmiştir. Sonuç olarak tüm yöntemlerin doğrulukları kendi aralarında kıyaslanmış ve amaçlanan BBA sistemi için en uygun yapının %98,61 sınıflandırma doğruluğuna sahip ICA+LS-SVM(OvsO) yapısı olduğu belirlenmiştir.

Within the last 20 years, great radical innovations have emerged in rapidly developing and growing biomedical science depending on the technological changes. Science and technology has reached a level as possible to control machines with only mind in which main subject of most of the science fiction. Human brain electrical activity is recorded and converted to machine control commands by the applications called Brain Computer Interface (BCI). They make possible to use a computer, an electromechanical lever or various assistive environmental devices without any voluntary movement. The basic idea for the emerge of the BCIs are to make available peripheral devices for people who can not muscle movements such as paralyzed or ALS patients to facilitate their needs and make their lives easier. In this work, a BCI system which is a new communication way between man and machine has aimed. Therefore, electroencephalogram (EEG) signals which store brain electrical activity and are underlying the BCI systems were recorded by an expert acquisition system from the skull surface. To extract EEG signal features in time domain average signal power, variance, entropy and hjorth parameters and in frequency domain fouirer, fast fourier, spectral power density and wavelet energy were used. The size of these features was reduced and basic signal components were obtained by using Principle component analysis (PCA) and Independent component analysis (ICA) methods. Then, adaptive neural fuzzy inference system (ANFIS), learning vector quantization (LVQ), multi-layer neural network (MLNN), probabilistic nural network (PNN), decission tree, linear discriminant analysis (LDA), k nearest neighbour (kNN), linear support vector machine (SVM) and least squares support vector machine (LS-SVM) structures were performed to pattern recognition and signal classification. EEG signals occured in the brain under the imagination of the directions were recorded to create a BCI system, signal features were extracted in both time and frequency domain and hidden informations of directions stored in EEG were recognized by classification algorithms. Also, this study was evaluated as offline with 10 different subjects by all the feature extraction and classification algorithms under a BCI system created to control 2-D cursor movements. As a result, the accuracies of all methods were compared with each other and the most optimal system architecture was determined as ICA+LS-SVM(OvsO) with the accuracy of %98,61 for aimed BCI structure.