Akademik Veri Yönetim Sistemi
2017 Tıp Teknolojileri Kongresi, Trabzon, Türkiye, 12 - 14 Ekim 2017, ss.1-4
Zihinsel aritmetik tabanlı elektroensefalografi
(EEG) işaretinin analizi aritmetik öğrenme ve anlama
zorluğu olan veya otizm spektrum bozukluklarına sahip olan
hastalar için yararlı olabilmektedir. EEG işareti durağan ve
doğrusal olmadığı için bu işaretten zihinsel aritmetikleri
ayırmak zordur. Bu çalışmada EEG işaretlerindeki zihinsel
aritmetikleri ayırabilmek için işaretten sırasıyla entropi,
çarpıklık ve entropi+çarpıklık tabanlı öznitelikler
çıkartılmıştır. Daha sonra çıkarılan öznitelikler destek
vektör makinaları ile sınıflandırılmıştır. Bu özniteliklerden
EEG işaretindeki zihinsel aritmetikleri en iyi belirleyen
entropi tabanlı özniteliklerle ortalama %85.69 sınıflandırma
doğruluğu (SD) hesaplanmıştır. Bu değerin, literatürde bu
veri kümesi ile hesaplanan ortalama %75.90 SD’den %9.79
daha fazla olması önerilen yöntemin bu veri kümesi için
etkin olduğunu göstermektedir.
Analysis of mental arithmetic based
electroencephalography (EEG) signal can be helpful for
patients who have difficulty learning or understanding
arithmetic or have autism spectrum disorders. It is difficult
to separate mental arithmetic from EEG signals since these
signals are nonstatic and nonlinear. In this study, we
extracted features based entropy, skewness and entropy +
skewness from the EEG signal. Then, extracted features
were classified by support vector machines. The average
85.69% classification accuracy (CA) was calculated from the
entropy based features that best determine the mental
arithmetic of the EEG signals. This value is 9.79% higher
than the average 75.90% CA calculated in the literature.
This result indicates that proposed method is effective for
this data set.