| Popis: |
Bu çalışmada sayısal ve metinsel işlemler sırasında oluşan EEG işaretlerinin sınıflandırılması hedeflenmiştir. Bu amaçla 18 sağlıklı ve gönüllü denekten uluslararası 10-20 sistemine uygun olarak, EEG verileri kaydedilerek bir veritabanı oluşturulmuştur. Veritabanı, Nihon Kohden 1200 marka 32 kanaldan 1kHz örnekleme ile yüksek kalitede çekim yapabilen, şebeke gürültülerini otomatik temizleyebilen dijital EEG kayıt cihazı ile 22 elektrot kullanılarak 26 kanal üzerinden toplanmıştır. Bu veriler ilk olarak ön işlemden geçirilmiş, daha sonra uzunluğu 1 saniye olan %75 örtüşmeli kayan pencereler kullanılarak Dalgacık Dönüşümü yoluyla öznitelikler çıkartılmış ve BayesNet, kNN ve Karar ağaç yapıları sınıflandırıcıları ile sınıflandırılmış ve sırasıyla ile %88,8, %89,5 ve %90 doğru pozitif oranına ulaşılmıştır.Bilgisayar beyin arayüz çalışmaları gerçek zamanlı çalışan sistemler olduğundan analiz süreleri büyük önem taşımaktadır. Çok sayıda kanal kullanılan sistemlerde çıkarılacak öznitelik sayısı yüksek olacağından bir pencerenin işlenmesi süresi sorun teşkil edebilmektedir. Kullanılan kanal sayısının doğru pozitif oranını etkilemeyecek şekilde azaltılması analiz süresini azaltacağından sistemin kullanılabilirliğini artıracaktır. Bu nedenle 26 kanaldan elde edilen öznitelikler arasından, Korelasyon Tabanlı Öznitelik Seçimi (KTÖS) kullanılarak, kendi aralarında korelasyonları düşük ve sınıf ile korelasyonu yüksek olan etkin öznitelikler tüm denekler için belirlenmiştir. Bu özniteliklerin ait oldukları kanallar analiz edilerek, en çok seçilenden en az seçilene doğru sıralanmış ve analize teker teker eklenerek sınıflandırma işlem tekrarlanmıştır. Bu analiz sonucunda doğru pozitif değerini en az etkileyecek şekilde 14 kanal kullanılarak yapılan BayesNet, kNN ve Karar Ağaçları sınıflandırmalarında sırası ile %90,1 %87,7 ve % 90,6 sonuçları elde edilmiştir.ANAHTAR KELİMELER: EEG veritabanı, EEG sınıflandırma, kNN, BayesNet, Karar Ağaç Yapıları, Kanal Seçimi. This thesis aims to classify EEG signals during simple math and text processing. For this purpose, EEG recordings were collected from 18 healthy voluntary subjects according to International 10/20 System through 26 channels using the Nihon-Kohden 1200 EEG device with 1kHz sampling rate. After pre-processing, recordings are segmented into 1 second long epochs with 75% overlap for sliding window analysis and features are extracted using Wavelet Transform. Finally BayesNET, kNN and Decision Tree Structure algorithms are employed for classification and 88,8%, 89,5% and 90% true positive rates are obtained respectively.Brain-Computer Interface studies are real time systems and therefore time of analysis is of great importance. For a system with a high number of channels, number of features might be huge that the time needed to process a window might cause problems. Decreasing the number of channels without affecting the true and false positive rates would increase the effectiveness of the system. For that cause, features that are highly correlated with the class but uncorrelated (or has a low correlation degree) with other features are detected for all subjects using Correlation based Feature Selection (CFS) method. Analyzing the channels detected features belong to, channels are sorted according to the number of times they were selected. Finally, starting from mostly used channel and adding one channel at a time, the whole analysis was repeated. Among 26 channels, 14 channels, through which true positive rate is least affected, were determined and 90,1%, 87,7% and 90,6% true positive rates are obtained for BayesNET, kNN and Decision Tree Structure classifiers respectively.Key Words: EEG database, EEG classifications,kNN,BayesNET, Decision Tree Structure,Channel Selection. 59 |
