Feature extraction and classification of electroencephalographic (EEG) signals towards the use of brain-computer interface in cognitive applications

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2017

Tezin Dili: İngilizce

Öğrenci: SEZİN TUNABOYLU

Danışman: EFENDİ NASİBOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez çalışmasında, bilgisayar imleçinin düşünce gücüyle hareket ettirilmesi için beyin-bilgisayar arayüzü geliştirilmiştir. EEG sinyalleri, Emotive Neuroheadset cihazının c# diliyle geliştirdiğimiz programa entegre edilerek elde edilmiştir. Düşünce gücüyle imleçe yukarı, aşağı, saga, sola ve hareket etmeme komutlarını yaptırma üzerinde çalışılmıştır. Öncelikle katılımcıların beyin sinyallerini control edebilmesi için eğitilmeleri gerekmektedir. Eğitim için komutların görsel resimlerini içeren bir ekran geliştirilmiştir. Katılımcılar 3 farklı günde eğitim programına tabi tutulmuştur. Her bir eğitimde görsel uyaranları içeren uygulama 24 kere gösterilerek elde edilen veriler sonraki çalışmalar için kaydedilmiştir. EEG verileri kompleks ve ham halinden bilgi çıkarılması zordur. Ayrıca, göz hareketleri, kas harketleri ve ortam sesleri EEG sinyallerinde gürültüye neden olmaktadır. Bu nedenle ön işleme aşamasında medyan filtreleme ve normalizasyon yöntemleri kullanılmıştır. Ön işleme işleminden sonra spesifik özellikler her bir komut için çıkarılmıştır. Özellik çıkarmak için MFDFA ve FFT yöntemleri kullanılmıştır. MFDFA yöntemi ile elde edilen dağılım değeleri ve FFT yöntemi ile elde edilen beta sinyalleri özellik olarak kullanılmıştır. Böylece büyük veri setinden daha küçük veri seti oluşturularak boyut indirgeme yapılmıştır. Son olarak, çıkarılan özellikler en yakın komşu algoritmalarıyla sınıflandırılmıştır. Sınıflandırma yöntemi olarak basit fakat örüntü sınıflandırma iyi performans değerlerine sahip olan k-en yakın komşu yöntemi ile EEG sinyal örüntülerinin sınıflandırılmasında daha önce kullanılmamış olan CxK en yakın komşu yöntemi kullanılmıştır ve literatürdeki çalışmalarla karşılaştırıldığında kabul edilebilir sonuçlar elde edilmiştir. Anahtar kelimeler: EEG, BCI, özellik çıkarma, sınıflandırma, K-en yakın komşu algoritması, CxK- en yakın komşu algoritması.