Pamukkale Univ Muh Bilim Derg. 2018; 24(5): 817-823 | DOI: 10.5505/pajes.2018.93824

Improving Classification Accuracy of Motor Imagery EEG Signals via Effective Epochs

Ebru Ergün¹, Önder Aydemir^2
1Recep Tayyip Erdoðan University, Faculty Of Engineering, Electrical-electronics Engineering, Rize, Turkey
²Karadeniz Technical University, Faculty Of Engineering, Electrical-electronics Engineering, Trabzon, Turkey

Brain computer interfaces (BCI) are systems which make it possible to use various electronic devices using only the signals produced in the brain. In order to ensure high performance of these systems, feature methods extracted from these signals and classifier methods applied to these signals are important. With this study, We proposed a method to obtain high classification accuracy from EEG based BBA signals recorded on the motor imaginary with the extracted features in the active time segments. Features were obtained by applying the Hilbert Transform to the active time segments selected EEG signs and calculating the average of the derivatives of the signs. Features extracted from two-class motor imaginary Data Set Ia (Presented at the BCI Competition 2003 competition) were analyzed by support vector machines, k-nearest neighborhood and linear discriminant analysis. Then the performance of the classifiers was compared. A high classification accuracy of 91.12% is calculated on the test dataset with support vector machines. This classification accuracy is 17.06% higher than the classification accuracy obtained in the case of using all samples of a trial of the EEG signal. As a result, the proposed method increased the accuracy of classification in a remarkable amount and reduced computational complexity with the feature extraction methods and support vector machine classifier.

Keywords: Electroencephalography, Brain Computer Interface, Hilbert Transformation, Active Time Segment, Effective Epoch, Support Vector Machine,

---

Etkin Epoklar ile Motor Hayaline Dayalý EEG Ýþaretlerinin Sýnýflandýrma Doðruluðunun Artýrýlmasý

Ebru Ergün¹, Önder Aydemir^2
1Recep Tayyip Erdoðan Üniversitesi, Mühendislik Fakültesi, Elektrik-elektronik Mühendisliði, Rize
²Karadeniz Teknik Üniversitesi, Mühendislik Fakültesi, Elektrik-elektronik Mühendisliði, Trabzon

Beyin bilgisayar arayüzleri (BBA) sadece beyinde üretilen iþaretleri kullanarak çeþitli elektronik cihazlarý kullanmayý olanaklý hale getiren sistemlerdir. Bu sistemlerin yüksek baþarýmlý olabilmesi için bu iþaretlerden çýkarýlan öznitelik yöntemleri ve bu iþaretlere uygulanan sýnýflandýrýcý yöntemleri önemlidir. Bu çalýþma ile motor hayaline dair kaydedilen EEG tabanlý BBA iþaretlerinden yüksek sýnýflandýrma doðruluðu elde edebilmek için iþaretlerin etkin zaman dilimlerinden çýkarýlmýþ özniteliklerle sýnýflandýrma doðruluðunun artýrýlmasýna yönelik bir yöntem önerilmiþtir. Öznitelikler, etkin zaman dilimleri belirlenen EEG iþaretlerine Hilbert Dönüþümü’nün uygulanmasý ve iþaretin türevlerinin ortalamasýnýn alýnmasýyla elde edilmiþtir. BCI Competition 2003 yarýþmasýnda kullanýma sunulmuþ 2-sýnýflý motor hareketi hayaline dayalý Data Set Ia isimli veri kümesinden çýkarýlan öznitelikler destek vektör makineleri, k-en yakýn komþuluk ve doðrusal ayrým analizi ile test edilerek performans karþýlaþtýrmasý yapýlmýþtýr. Destek vektör makineleri ile test veri kümesi üzerinde %91.46 oranýnda yüksek bir sýnýflandýrma doðruluðu elde edilmiþtir. Bu sýnýflandýrma doðruluðu EEG iþaretinin bir denemesine ait tüm örneklemelerin kullanýlmasý durumunda elde edilen sýnýflandýrma doðruluðundan %17.40 daha yüksektir. Elde edilen sonuçlar, önerilen yöntemin belirlenen öznitelik çýkarma yöntemi ve destek vektör makinalarý sýnýflandýrýcýsýyla birlikte EEG iþaretlerinden elde edilen sýnýflandýrma doðruluðunu dikkat çekici miktarda arttýrdýðýný ve hesaplama karmaþýklýðýný ise azalttýðýný göstermiþtir.

Anahtar Kelimeler: Elektroensefalografi, Beyin Bilgisayar Arayüzü, Hilbert Dönüþümü, Etkin Zaman Dilimi, Etkin Epok, Destek Vektör Makinasý,

---