View in EDS PDF Full Text

Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları.

Saved in:
Bibliographic Details
Title: Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları.
Alternate Title: Comparative classification performances of filter model feature selection algorithms in EEG based brain computer interface system.
Authors: Bulut, Cem1 bulutcem22@gmail.com, Ballı, Tuğçe2 tugce.balli@khas.edu.tr, Yetkin, E. Fatih2 fatih.yetkin@khas.edu.tr
Source: Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,. 2023, Vol. 38 Issue 4, p2397-2407. 11p.
Subjects: Fisher discriminant analysis, Assistive computer technology, Support vector machines, Random forest algorithms, Brain-computer interfaces, Theta rhythm, Electroencephalography, Assistive technology, Feature selection
Abstract (English): Brain-computer interface (BCI) systems enable individuals to use a computer or assistive technologies such as a neuroprosthetic arm by translating their brain electrical activity into control commands. In this study, the use of filter-based feature selection methods for design of BCI systems is investigated. EEG recordings obtained from a BCI system designed for the control of a neuroprosthetic device are analyzed. Two feature sets were created; the first set was band power features from six main frequency bands (delta (1.0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta (12-25 Hz), high-beta (25-30Hz) and gamma (30-50 Hz)) and the second set was band power features from ten frequency sub-bands (delta (1-4 Hz), theta (4-8 Hz), alpha1 (8-10 Hz), alpha2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gamma1 (30-35 Hz), gamma2 (35-40 Hz), gamma3 (40-50 Hz)). Ten filter-based feature selection methods are investigated along with linear discriminant analysis, random forests, decision tree and support vector machines algorithms. The results indicate that feature selection methods leads to a higher classification accuracy and eigen value centrality (Ecfs) and infinite feature selection (Inffs) methods have consistently provided higher accuracy rates as compared to rest of the feature selection methods. [ABSTRACT FROM AUTHOR]
Abstract (Turkish): Beyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir. [ABSTRACT FROM AUTHOR]
Copyright of Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, is the property of Gazi University, Faculty of Engineering & Architecture and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
Database: Engineering Source
FullText Links:
  – Type: pdflink
Text:
  Availability: 0
Header DbId: egs
DbLabel: Engineering Source
An: 171930358
AccessLevel: 6
PubType: Academic Journal
PubTypeId: academicJournal
PreciseRelevancyScore: 0
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları.
– Name: TitleAlt
  Label: Alternate Title
  Group: TiAlt
  Data: Comparative classification performances of filter model feature selection algorithms in EEG based brain computer interface system.
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Bulut%2C+Cem%22">Bulut, Cem</searchLink><relatesTo>1</relatesTo><i> bulutcem22@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Ballı%2C+Tuğçe%22">Ballı, Tuğçe</searchLink><relatesTo>2</relatesTo><i> tugce.balli@khas.edu.tr</i><br /><searchLink fieldCode="AR" term="%22Yetkin%2C+E%2E+Fatih%22">Yetkin, E. Fatih</searchLink><relatesTo>2</relatesTo><i> fatih.yetkin@khas.edu.tr</i>
– Name: TitleSource
  Label: Source
  Group: Src
  Data: <searchLink fieldCode="JN" term="%22Journal+of+the+Faculty+of+Engineering+%26+Architecture+of+Gazi+University+%2F+Gazi+Üniversitesi+Mühendislik+Mimarlık+Fakültesi+Dergisi%2C%22">Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,</searchLink>. 2023, Vol. 38 Issue 4, p2397-2407. 11p.
– Name: Subject
  Label: Subjects
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22Fisher+discriminant+analysis%22">Fisher discriminant analysis</searchLink><br /><searchLink fieldCode="DE" term="%22Assistive+computer+technology%22">Assistive computer technology</searchLink><br /><searchLink fieldCode="DE" term="%22Support+vector+machines%22">Support vector machines</searchLink><br /><searchLink fieldCode="DE" term="%22Random+forest+algorithms%22">Random forest algorithms</searchLink><br /><searchLink fieldCode="DE" term="%22Brain-computer+interfaces%22">Brain-computer interfaces</searchLink><br /><searchLink fieldCode="DE" term="%22Theta+rhythm%22">Theta rhythm</searchLink><br /><searchLink fieldCode="DE" term="%22Electroencephalography%22">Electroencephalography</searchLink><br /><searchLink fieldCode="DE" term="%22Assistive+technology%22">Assistive technology</searchLink><br /><searchLink fieldCode="DE" term="%22Feature+selection%22">Feature selection</searchLink>
– Name: Abstract
  Label: Abstract (English)
  Group: Ab
  Data: Brain-computer interface (BCI) systems enable individuals to use a computer or assistive technologies such as a neuroprosthetic arm by translating their brain electrical activity into control commands. In this study, the use of filter-based feature selection methods for design of BCI systems is investigated. EEG recordings obtained from a BCI system designed for the control of a neuroprosthetic device are analyzed. Two feature sets were created; the first set was band power features from six main frequency bands (delta (1.0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta (12-25 Hz), high-beta (25-30Hz) and gamma (30-50 Hz)) and the second set was band power features from ten frequency sub-bands (delta (1-4 Hz), theta (4-8 Hz), alpha1 (8-10 Hz), alpha2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gamma1 (30-35 Hz), gamma2 (35-40 Hz), gamma3 (40-50 Hz)). Ten filter-based feature selection methods are investigated along with linear discriminant analysis, random forests, decision tree and support vector machines algorithms. The results indicate that feature selection methods leads to a higher classification accuracy and eigen value centrality (Ecfs) and infinite feature selection (Inffs) methods have consistently provided higher accuracy rates as compared to rest of the feature selection methods. [ABSTRACT FROM AUTHOR]
– Name: Abstract
  Label: Abstract (Turkish)
  Group: Ab
  Data: Beyin bilgisayar arayüzleri (BBA), beyin elektriksel aktivitelerini kontrol komutlarına çevirerek bilgisayar veya nöroprostetik kol gibi yardımcı teknolojilerin kullanılmasını sağlayan sistemlerdir. Bu çalışmada filtre tabanlı öznitelik seçim yöntemlerinin farklı sınıflandırma algoritmaları ile birlikte kullanılmasının BBA sistemlerine getirebileceği kazanımlar araştırılmıştır. Bu çerçevede nöroprostetik bir cihazın kontrolü için tasarlanan BBA sisteminden elde edilmiş EEG kayıtları analiz edilmiştir. EEG kayıtlarının analizi için delta (1.0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta (12-25 Hz), yüksek-beta (25-30Hz) ve gama (30-50 Hz) frekans bantlarından ve delta (1-4 Hz), teta (4-8 Hz), alfa1 (8-10 Hz), alfa2 (10-12 Hz), beta1 (12-15 Hz), beta2 (15-18 Hz), beta3 (18-25 Hz), gama1 (30-35 Hz), gama2 (35-40 Hz), gama3 (40-50 Hz) alt frekans bantlarından bant gücü öznitelikleri çıkarılmıştır. Elde edilen iki veri seti öznitelik seçimi uygulamadan ve öznitelik seçimi uygulayarak sınıflandırılmıştır. Çalışmada toplam 10 adet filtre tabanlı öznitelik seçimi yöntemi ile birlikte, doğrusal ayırt eden analizi, rassal ormanlar, karar ağaçları ve destek vektör makinaları sınıflandırma algoritmaları kullanılmıştır. Çalışma sonucunda EEG kayıtlarının sınıflandırılması için öznitelik seçme algoritmalarının uygulanmasının daha yüksek başarımlı sonuçlar verdiği ve bu çalışmada ele alınan öznitelik seçme yöntemlerinden, özdeğer merkeziyetine göre öznitelik seçimi (Ecfs) ve sonsuz öznitelik seçimi (Inffs) yöntemlerinin filtre tabanlı yaklaşımlar arasında en iyi sonuçları verdiği gözlenmiştir. [ABSTRACT FROM AUTHOR]
– Name: AbstractSuppliedCopyright
  Label:
  Group: Ab
  Data: <i>Copyright of Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, is the property of Gazi University, Faculty of Engineering & Architecture and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.)
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=egs&AN=171930358
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.17341/gazimmfd.978895
    Languages:
      – Code: tur
        Text: Turkish
    PhysicalDescription:
      Pagination:
        PageCount: 11
        StartPage: 2397
    Subjects:
      – SubjectFull: Fisher discriminant analysis
        Type: general
      – SubjectFull: Assistive computer technology
        Type: general
      – SubjectFull: Support vector machines
        Type: general
      – SubjectFull: Random forest algorithms
        Type: general
      – SubjectFull: Brain-computer interfaces
        Type: general
      – SubjectFull: Theta rhythm
        Type: general
      – SubjectFull: Electroencephalography
        Type: general
      – SubjectFull: Assistive technology
        Type: general
      – SubjectFull: Feature selection
        Type: general
    Titles:
      – TitleFull: Filtre modelli öznitelik seçim algoritmalarının EEG tabanlı beyin bilgisayar arayüzü sistemindeki karşılaştırmalı sınıflandırma performansları.
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Bulut, Cem
      – PersonEntity:
          Name:
            NameFull: Ballı, Tuğçe
      – PersonEntity:
          Name:
            NameFull: Yetkin, E. Fatih
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 10
              Text: 2023
              Type: published
              Y: 2023
          Identifiers:
            – Type: issn-print
              Value: 13001884
          Numbering:
            – Type: volume
              Value: 38
            – Type: issue
              Value: 4
          Titles:
            – TitleFull: Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,
              Type: main
ResultId 1