MOTOR İMGELEME EEG SİNYALLERİNDE SINIFLANDIRMA PERFORMANSINI ARTTIRMAYA YÖNELİK ADAPTİF SEGMENTASYON YAKLAŞIMI

Authors : Tuğçe Ballı

Pages : 711-730

Doi:10.17482/uumfd.1698204

View : 153 | Download : 304

Publication Date : 2025-12-19

Article Type : Research Paper

Abstract :Elektroansefalogram (EEG) tabanlı beyin-bilgisayar arayüzlerinin (BBA) performansı, sistem tasarımında kullanılan sinyal işleme yöntemlerine doğrudan bağlıdır. EEG sinyal işleme süreci; önişleme, öznitelik çıkarma, seçme ve sınıflandırma adımlarını içerir. EEG verilerinden öznitelik çıkarımı genellikle sabit uzunlukta pencerelere ayrıldıktan sonra yapılmaktadır. Bu çalışmada özniteliklerin veri temsiliyetini artırmak için değişim noktası tespitine (change point detection, CPD) dayalı adaptif bir segmentasyon yaklaşımı önerilmiştir. Bu amaçla budanmış kesin doğrusal zaman (pruned exact linear time, PELT) algoritması kullanılmıştır. Bu yöntem, değişim noktalarını uygun bir maliyet fonksiyonu ile duyarlılık parametresinin belirlenmesi yoluyla tespit etmektedir. Önerilen yöntemin, sabit segmentasyona kıyasla etkinliği, BCI Competition IV 2a veri seti kullanılarak değerlendirilmiştir. Bu veri seti, 9 katılımcının sol el, sağ el, ayak ve dil imgeleme görevlerini gerçekleştirirken kaydedilmiş EEG verilerini içermektedir. Sonuçlar, CPD tabanlı yöntemin hem ikili hem de dört sınıflı sınıflandırmada test verisi üzerindeki sınıflandırma başarımını artırdığını göstermiştir. İkili sınıflandırma senaryosunda, önerilen yöntemin performans artışı %5,81 ile %8,72 arasında değişmiştir. En yüksek sınıflandırma performansı, sol el ve dil görevleri arasında gözlemlenmiş; katılımcı bazında performans artışları %4,16 ve %12,73 aralığında değişmiştir. Dört sınıflı sınıflandırma görevinde ise ortalama %7,5 oranında bir başarı artışı sağlanmış olup, katılımcı bazlı performans artışları %3,93 ile %11,11 aralığında değişmiştir.
Keywords : EEG, Motor İmgeleme, Değişim Noktası Tespiti, Sabit Süreli Segmentasyon, Sınıflandırma

ORIGINAL ARTICLE URL