Beyin-Bilgisayar Arayüzü Uygulamalarında Etkin Kanalların Belirlenmesi


Creative Commons License

YAVUZ E. , Aydemir Ö.

25. Sinyal İşleme ve İletişim Uygulamaları (SİU) Kurultayı, Antalya, Türkiye, 15 - 18 Mayıs 2017, cilt.1, no.4, ss.1-4

  • Cilt numarası: 1
  • Basıldığı Şehir: Antalya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-4

Özet

Bilişsel işlevlerinde sorun olmayan ancak kaslarını hareket ettiremeyen hastaların hayatlarını kolaylaştırmak için beyin bilgisayar arayüzü (BBA) sistemleri modellenmektedir. Bu sistemlerin başarımı bu işaretlerinden çıkarılan özniteliklere, öznitelikler için seçilen sınıflandırıcılara ve işaretin kaydedildiği kanallara bağlıdır. Bu çalışmada BBA uygulamalarında elektrokortigogram (ECoG) işaretlerinin kaydedildiği tüm elektrotları kullanmak yerine, sınıflandırma doğruluğunun artırılması ve öznitelik çıkarma süresinin azaltılması amacıyla etkin ECoG kanallarının belirlenmesi önerilmiştir. Etkin kanalların seçimi için önerilen Ardışıl İleri Yönlü Kanal Seçimi algoritması ile hesaplanan %92 sınıflandırma doğruluğu, tüm kanallar ile hesaplanan sınıflandırma doğruluğundan %4 daha fazladır. Ayrıca, önerilen etkin kanallar ile özniteliklerin hesaplama süresi, tüm kanallar kullanılarak hesaplanan öznitelik çıkarım süresine göre %95.19 oranında azaltılmıştır.

Brain computer interface systems are modeled to facilitate lives of patients who have not a problem in their cognitive functions but also can not move their muscles. The performance of such systems highly depends on features extracted from the Electrocorticography (ECoG) signals, selected classifiers for features and channels of ECoG signals. In this study, we proposed a novel method which provides determination of effective ECoG channels in brain-computer interface applications. The proposed method not only increase the classification accuracy but also reduce the feature extraction time instead of using all the channels of recorded ECoG. The 92% classification accuracy rate was obtained by the proposed Sequential Forward Channel Selection algorithm. The achieved classification accuracy rate is 4% greater than the classification accuracy rate calculated by all channels. In addition, feature extraction time is reduced by 95.19% compared to feature extraction time using all channels.