EOG İşaretini Kaynak İşaret Olarak Kullanmak Üzere Etkin Özelliklerin Belirlenmesi
Bu çalışmada, özellikle felçli hastaların yaşamlarını kolaylaştırmak için Elektrookülogram (EOG) işaretinin insan makine arabirimi (İMA) için işlenmesi gerçekleştirilmiştir. Göz hareketleri, Biopac MP30 cihazıyla, 5 adet Ag-AgCl elektrot kullanılarak algılanmıştır. Alınan işaretler ön işlemeye tabi tutularak Matlab ortamında öznitelikleri çıkarılacak hale getirilmiştir. Elde edilen biyopotansiyel sinyallerden öznitelikler çıkarılarak kontrol edilecek sisteme göre etiketlenmiştir. Bu etiketler sağ, sol, yukarı, aşağı ve göz kırpmasıdır. Çıkarılan özellikler yapay sinir ağları kullanılarak sınıflandırılmıştır. Sınıflandırmanın ardından özellik azaltım yöntemleri kullanılarak sonuç üzerinde etkisi az olan öznitelikler elenmiş ve daha az özellik ile sınıflandırma başarımları test edilmiştir.
Determining Effective Features to Use the EOG Sign as a Source Sign
In this study, the processing of the Electrooculogram (EOG) signal for human machine interface (IMA) was performed to facilitate the lives of paralyzed patients. Eye movements were detected with Biopac MP30 instrument using 5 Ag-AgCl electrodes. The marks were pre-processed and their attributes were made to be extracted in Matlab environment. The obtained biopotential signals were extracted and labeled according to the system to be controlled. These labels are right, left, up, down, and blink. The extracted features were classified using artificial neural networks. Following the classification, feature reduction methods were used to eliminate the features that had little effect on the results and test the performance of the classification with fewer features.
___
[1] T. Öztürk, “Hawking’in Konuşma Cihazı ve P300 - Toprak Öztürk - Medium,” 2018. [Online]. Available: https://medium.com/@toprakozt/hawkingin-konuşma-cihazı-vep300- b38f938733dd. [Accessed: 13-Dec-2019].[2] Tobii, “Tobii Eye Tracker 4C for PC Gaming. Buy Now at €169 - Tobii Gaming,” 2019. [Online]. Available: https://gaming.tobii.com/tobii-eye-tracker-4c/. [Accessed: 13-Dec- 2019].
[3] J.-S. Lin and W.-C. Yang, “Wireless brain-computer interface for electric wheelchairs with EEG and eye-blinking signals,” Int J Innov Comput Inf Control, vol. 8, pp. 6011– 6024, Sep. 2012.
[4] A. B. Usakli and S. Gurkan, “Design of a novel efficient humancomputer interface: An electrooculagram based virtual keyboard,” IEEE Trans. Instrum. Meas., vol. 59, no. 8, pp. 2099–2108, Aug. 2010.
[5] M. Y. Esas and F. Latifoglu, “Computer-Based design with dual channel device electrooculography and eye movement tracking,” in 2015 Medical Technologies National Conference (TIPTEKNO), 2015, pp. 1–4.
[6] J. Heo, H. Yoon, and K. Park, “A Novel Wearable Forehead EOG Measurement System for Human Computer Interfaces,” Sensors, vol. 17, no. 7, p. 1485, Jun. 2017.
[7] S. Gül, Z. Tiryaki, E. Kuzu, M. Milligüney, and G. Çetinel, “Move Your Wheelchair with Your Eyes,” Int. J. Appl. Math. Electron. Comput., vol. 1, no. SpecialIssue, pp. 5– 8, Aug. 2017.
[8] H. Ö. Ülkütaş, “Eog’nin Kodlanmasina Dayanan Bilgisayar Tabanli Gözle Yazi Yazma Sistemi Geliştirilmesi,” Başkent Üniversitesi, 2015.
[9] M. K. Uçar, K. Polat, M. R. Bozkurt, and C. Bilgin, “Effect of Tıme and Frequency Domaın Features ın Sleep Eeg and Eog Sıgnals Classıfıcatıon,” in Tıp Teknolojileri ulusal Kongresi, 2014, vol. 1, pp. 0–5.
[10] G. Gündüz and İ. H. Cedimoğlu, “Derin Öğrenme Algoritmalarını Kullanarak Görüntüden Cinsiyet Tahmini,” Sak. Univ. J. Comput. Inf. Sci., vol. 2, no. 1, pp. 9–17, Apr. 2019.
[11] K. Serbest, M. R. Bozkurt, and O. Eldoğan, “Classification of cardiac arrhythmias with artificial neural networks according to gender differences,” J. Eng. Sci. Technol., vol. 10, no. 9, pp. 1144–1149, 2015.
[12] G. D. Çetin, Ö. Çetin, and M. R. Bozkurt, “The Detectionof Normal and Epileptic EEG Signals using ANN Methods with Matlab-based GUI,” Int. J. Comput. Appl., vol. 114, no. 12, pp. 45–50, 2015.
[13] M. R. Bozkurt, A. Subaşı, E. Köklükaya, and M. Yilmaz, “Comparison of AR parametric methods with subspace-based methods for EMG signal classification using stand-alone and merged neural network models,” Turkish J. Electr. Eng. Comput. Sci., vol. 24, no. 3, pp. 1547–1559, 2016.
[14] M. R. Bozkurt, M. K. Uçar, F. Bozkurt, and C. Bilgin, “In obstructive sleep apnea patients, automatic determination of respiratory arrests by photoplethysmography signal and heart rate variability,” Australas. Phys. Eng. Sci. Med., pp. 1–21, 2019.
[15] M. K. Uçar, M. R. Bozkurt, K. Polat, and C. Bilgin, “Investigation of effects of time domain features of the photoplethysmography (PPG) signal on sleep respiratory arrests,” in 2015 23nd Signal Processing and Communications Applications Conference (SIU), 2015, pp. 124–127.
[16] K. Polat and S. Güneş, “A new feature selection method on classification of medical datasets: Kernel F-score feature selection,” Expert Syst. Appl., vol. 36, no. 7, pp. 10367– 10373, Sep. 2009.
[17] A. R. Kavsaoğlu, K. Polat, and M. R. Bozkurt, “An innovative peak detection algorithm for photoplethysmography signals: an adaptive segmentation method,” Turkish J. Electr. Eng. Comput. Sci., vol. 24, no. 3, pp. 1782–1796, 2016.
[18] V. Gerla et al., “Automatic identification of artifacts and unwanted physiologic signals in EEG and EOG during wakefulness,” Biomed. Signal Process. Control, vol. 31, pp. 381–390, 2017.
[19] J. G. Colonna, M. Cristo, M. Salvatierra, and E. F. Nakamura, “An incremental technique for real-time bioacoustic signal segmentation,” Expert Syst. Appl., vol. 42, no. 21, pp. 7367–7374, Nov. 2015.
[20] N. A. B. Baharom, “Analysıs of Electrooculography (Eog) for Controllıng Wheelchaır Motion.” 2015.
[21] M. K. Uçar, “Eta Correlation Coefficient Based Feature Selection Algorithm for Machine Learning: E-Score Feature Selection Algorithm,” Zeki Sist. Teor. ve Uygulamaları Derg., vol. 2, no. 1, pp. 7–12, 2019.
[22] E. Şahin, “Makine Öğrenme Yöntemleri ve Kelime Kümesi Tekniği ile İstenmeyen e- Postasınıflandırması,” Hacettepe Üniversitesi, 2018.
[23] J. B. Ahire, “The Artificial Neural Networks Handbook: Part 4,” 2018. [Online]. Available: https://medium.com/@jayeshbahire/the-artificial-neural-networkshandbook- part-4-d2087d1f583e. [Accessed: 17-Nov-2019].
[24] M. Tosun, M. Erginli, Ö. Kasım, B. Uğraş, Ş. Tanrıverdi, and T. Kavak, “EEG Verileri Kullanılarak Fiziksel El Hareketleri ve Bu Hareketlerin Hayalinin Yapay Sinir Ağları İle Sınıflandırılması,” Sak. Univ. J. Comput. Inf. Sci., vol. 1, no. 2, pp. 1–9, Aug. 2018.
[25] C. Beleites, R. Salzer, and V. Sergo, “Validation of Soft Classification Models using Partial Class Memberships: An Extended Concept of Sensitivity & Co. applied to the Grading of Astrocytoma Tissues,” Jan. 2013.
[26] M. Gök, “Makine Öğrenmesi Yöntemleri ile Akademik Başarının Tahmin Edilmesi,” Gazi Üniversitesi Fen Bilim. Derg. Part C Tasarım ve Teknol., vol. 5, no. 3, pp. 139– 148, Sep. 2017.
[27] A. Dirican, “Tani Testi Performanslarinin Değerlendirilmesi Ve Kiyaslanmasi,” Cerrahpaşa Tıp Derg., vol. 32, no. 1, 2001.
[28] L. H. Geyer and C. G. DeWald, “Feature lists and confusion matrices,” Percept. Psychophys., vol. 14, no. 3, pp. 471–482, Oct. 1973.
- ISSN: 2636-8129
- Yayın Aralığı: Yılda 3 Sayı
- Başlangıç: 2018
Sayıdaki Diğer Makaleler
An Analysis of the Characteristics of Verified Twitter Users
Abdullah Talha KABAKUS, MEHMET ŞİMŞEK
Hafif Sıklet Şifreleme Algoritmalarının Performans Karşılaştırması
Ünal ÇAVUŞOĞLU, Hussein AL SANABANI
EOG İşaretini Kaynak İşaret Olarak Kullanmak Üzere Etkin Özelliklerin Belirlenmesi
İlhan ZENGİN, Mehmet Recep BOZKURT, MUHAMMED KÜRŞAD UÇAR
İbrahim CIL, Sümeyye Gizem ÇAKAR, Nazan SARI, Olcay EYDEMİR
Design Tradeoffs in Full Electric, Hybrid and Full Chemical Propulsion Communication Satellite