Eğricik dönüşümü ayrıştırması kullanılarak iki sınıflı motor görüntüsü EEG sinyallerinin sınıflandırılması

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.

Studies on brain computer interfaces primarily attempt to gather, analyze, and transfer brain signals into usable commands. The electroencephalogram (EEG) gives researchers the chance to convert brain signals into control instructions. Due to its subject-specific and non-stationary character, classification of EEG signals is a difficult issue, and research are being undertaken using methodological approaches. Analysis of the brain's activities, including motor imagery, is part of some research that have been done. This article presents a two-class motor imagery classification algorithm using curvelet transform decomposition. The proposed algorithm is carried out using the BCI competition IV dataset IIa. EEG signals of the three selected channels (C3, Cz and C4) from the data set composed of 18 channels are used in practice. Curvelet transform is applied to the selected channel signals for the 9-30 Hz frequency range. The feature vectors are created by calculating the standard deviation, mean and log-variance values over the obtained transform coefficients. Comparative classification processes are carried out over feature vectors with and without feature selection. The t-test method is used for feature selection, and the classification process is carried out using the k-NN classifier.