No abstract

ÖzElektroensefalogram (EEG) tabanlı beyin-bilgisayar arayüzü (BBA) uygulamalarında, kişilerin ilgili uzuv hareketlerini hayal etmesiyle elde edilen motor hayali (MI) sinyallerinden özellik çıkarmak ve bunları sınıflandırmak oldukça önemli bir konudur. MI-EEG sinyalleriyle ilgili yapılan çalışmalarda, birçok farklı özellik çıkarma yöntemleri ve sınıflandırma algoritmaları kullanılmıştır. Fakat bu sinyallerde sınıf sayısı arttıkça elde edilen sınıflandırma başarıları arasında belirgin farklar gözlemlenmiştir. Önerilen yöntemde, sinyallerin güç spektral yoğunluğu (PSD) bilgilerini içeren özellik çıkarma yöntemi sunulmuştur. Ham EEG verilerine ampirik mod ayrıştırması (EMD) uygulanarak farklı frekans seviyelerindeki sinyaller elde edilmiştir. Bu sinyallerin PSD değerleri welch yöntemi kullanılarak hesaplanmıştır. Elde edilen PSD değerleri bir öznitelik vektöründe birleştirilmiştir. Oluşturulan öznitelik vektörlerini kullanarak, popüler bir derin öğrenme algoritması olan uzun-kısa dönem hafıza (LSTM) ağı eğitilmiştir. Eğitim sonucunda elde edilen test başarılarının, kişiler ve kanallar bazındaki karşılaştırmaları detaylı olarak yapılmıştır. Karşılaştırma sonucunda kafa derisinin merkez noktasında bulunan kanalların, diğer kanallara göre daha başarılı oldukları görülmüştür.