• Sonuç bulunamadı

3. HESAPLAMALI ÇALIŞMALAR

3.2. Motor İmgeleme Aktivitelerinde Uzamsal Filtrelerin Değerlendirilmesi

3.2.2. Yöntem

Uzamsal filtrelerin başarısının incelenmesinde senaryolar 3 farklı uzamsal filtre uygulamasını test etmek için hazırlanmıştır. Birinci uygulama, OOR, TBA, KKA ve GÖ yaklaşımlarına dayalı uzamsal filtrelerin karşılaştırılmasını içerir. Bu aşamada filtreler en

saf haliyle uygulanmıştır. İkinci uygulama, uzamsal filtreler uygulanmadan önce bir ön işleme işlevi olarak beyazlatma işlevinin kullanılmasının etkisini inceler. Beyazlatma işleminin sinyal işleme uygulamalarında doğrusal dönüşüm uygulanmadan önce kullanılması faydalı olabilmektedir. Bu aşamada, beyazlatma işlevinin EEG sinyallerinde uzamsal filtrelerden önce uygulanmasının uzamsal filtrelerin başarısına etkisi araştırılmıştır. Üçüncü uygulama, Genelleştirilmiş Özdönüşüm yaklaşımı özelinde yapılmıştır. Genelleştirilmiş Özdönüşüm bir denetimli kaynak ayırma yöntemidir ve bazı aşırı uyma durumlarının önüne geçmek için bazı düzenleme parametrelerinin kullanıldığı uygulamalar içermektedir. Bu düzenleme parametrelerinin kullanımının Genelleştirilmiş Özdönüşüm yaklaşımının başarısına olan etkisi araştırılmıştır.

3.2.2.1. Uzamsal Filtrelerin Performanslarının Değerlendirilmesi

Uzamsal filtreler OOR, TBA, KKA ve GÖ yaklaşımlarına dayalı olarak hesaplanmıştır.

OOR yaklaşımında her zaman noktasında bütün elektrotların ölçümlerinden hesaplanan genel ortalama, elektrot ölçümlerinden çıkartılarak verilerdeki makroskopik ölçekte gerçekte gerçekleşen aktivite ilişkisiz spontan (arka plan) aktivitenin elenmesi amaçlanmıştır. Motor imgeleme dinamikleri yerel olarak motor kortekste gerçekleşen aktivitelerdir. Temel varsayımda aktivite ilişkisiz bölgelerdeki sinyal değişiminin gücü aktiviteye bağlı güçlü değişimler üretmeyecek ve genel ortalamayı yakın değerlerde salınım gösterecektir. Böylece aktiviteye bağlı güçlü değişimlerin yerelleşmesi amaçlanmıştır.

TBA yaklaşımları ile elektrot verilerinin dağılımlarının yönelimleri üzerinden birbirine dik bileşenler içeren yeni bir koordinat düzlemi oluşturularak birbirleri arasında korelasyon içermeyen bileşen zaman serileri elde edilir. Verilerin yönelimleri belirli doğrultularda daha fazla yayılma özeliği gösterdiğinden bileşenlerin yayılım varyanslarını temsil eden özdeğerler içerisinden en büyük özdeğer sahip bileşenler seçilerek boyut düşürme işlemi uygulanmıştır. Boyut düşürme işleminde seçilen bileşenlerin varyanslarının (özdeğerlerinin) toplamının toplam varyansa göre %99’ını içeren bileşen sayısı kadar bileşen, temel bileşenler olarak seçilmiş ve diğer bileşenler elenerek boyut düşürme işlemi gerçekleştirilmiştir.

KKA yaklaşımının birkaç farklı uygulaması vardır ve çoğunlukla benzer sonuçlar üretir.

Tez kapsamında KKA uygulaması olarak Jade algoritması, hızlı olduğu ve aynı veriler üzerinde tekrar uygulandığında aynı bileşenleri üretebildiği için seçilmiştir [81]. Jade algoritması, aktivite ilişkili sinyallerin Gauss olmayan dağılımlara sahip olduğu varsayımına dayanırken, gürültü veya spontan arka plan sinyal karışımlarının Gauss dağılımlara sahip olduğunu varsayar. Amaç Gauss olmayan dağılımları maksimize eden ağırlıklı elektrot kombinasyonlarını belirlemektir. KKA algoritmalarının bir zayıflığı olarak dönüşüm sonucu elde edilen bileşen sinyallerinin aktiviteye dayalı etkilerinin sırasını tam olarak belirleyememesi sebebiyle bu yaklaşımda bir boyut düşürme işlemi uygulanmamıştır.

Genelleştirilmiş Özdönüşüm yaklaşımı, uygulama olarak TBA uygulamasına benzerdir ancak TBA, veriler içerisinden en güçlü değişimi arayan denetimsiz bir teknik olarak uygulanırken; GÖ, bir sınıfın diğer sınıfa göre en büyük değişim gösteren örüntüleri arayan denetimli bir kaynak ayırma tekniği olarak uygulanır. GÖ yaklaşımında da TBA yaklaşımda olduğu gibi verilerin varyansları temsil eden özdeğerler büyükten küçüğe doğru sıralanmış ancak TBA uygulamasından farklı olarak en yüksek varyansa sahip ilk 2 bileşen uzamsal filtre olarak seçilmiştir.

3.2.2.2. Beyazlatma Ön İşlemesinin Uzamsal Filtrelere Etkisi

Verilerde beyazlatma, EEG verileri üzerinde doğrusal dönüşüm gerçekleştirmeden önce bir ön işleme aşaması olarak test edilmiştir. Beyazlatma işlevi, TBA uygulamasında olduğu gibi sinyaller arasındaki korelasyonu yok eden bir doğrusal dönüşümü hesaplarken, daha düşük değişime (varyansa) sahip bileşenlerinin etkisini arttırarak sınıflandırıcının belirli bir sınıfa yönelik aşırı uyma durumunun önüne geçilmesini amaçlar. Dönüşüm sonucu elde edilen dağılımda her boyutta eşit varyanslara sahip ve birbirine dik (korelasyonları yok edilmiş) bileşenler elde edilir. Şekil 3.11’de verilerde beyazlatma ile verilerin dağılımında gerçekleşen değişim temsili olarak gösterilmiştir.

Sıfır Faz Bileşen Analizi ve TBA beyazlatma amacıyla verilerin ön işlemesinde kullanılan tekniklerdendir. Sıfır-faz bilen analizi TBA’nın aksine verilerin gerçek

yönelimlerini koruduğu için beyazlatma uygulaması olarak seçilmiştir [83]. Sıfır faz bileşen analizinin hesaplanmasında kullanılan denklem 3.15’te gösterilmiştir.

𝑌 = 𝑊𝛬12𝑊𝑇𝑋 (3.15)

Denklem 3.15’te 𝑌 beyazlatma sonucu elde edilen bileşen sinyallerini, 𝑋 elektrot ölçüm sinyallerini temsil eder. 𝛬12 özdeğer matrisinin karekökünü 𝑊 özvektör matrisidir.

Şekil 3.11. Verilerde beyazlatma ön işlemesi ile, sinyallerin dağılımlarına yönelik değişimin temsili gösterimi [82], (a) Beyazlatma uygulamadan önce sinyallerin kanallar üzerine dağılımını, (b) Beyazlatma uygulandıktan sonra sinyallerin kanallar üzerine dağılımını gösterir.

3.2.2.3. Düzenlemeli GÖ Yaklaşımının Değerlendirilmesi

Genelleştirilmiş Özdönüşüm (GÖ) algoritması, iki koşul arasında her zaman maksimum uzaklığı hesaplamaya çalışır. Ancak bazı durumlarda GÖ yaklaşımı dezavantajlara sahip olabilmektedir. Örneğin aktivasyon değişiminin çok küçük olduğu veya küçük eğitim setlerinin bulunduğu durumlarda gürültüye karşı aşırı uyma veya durağansızlık gibi durumlarda performansının düşmesi gibi sonuçlara yol açabilir [81].

Bu gibi durumlar için, denklem 3.11’de bazı düzenlemelere ihtiyaç duyulmuştur. Bu düzenleme işlemi denklemin paydasına bir cezalandırma parametresinin eklenmesiyle

gerçekleştirilir. Buna yönelik birkaç uygulama vardır ancak uygulamalar farklı olmasına rağmen birbirine yakın sonuçlar verdiği bazı çalışmalarda gösterilmiştir [81].

Bu tez kapsamında bu yaklaşımlardan ikisi Tikhanov ve Shrinkage (daraltma) uygulamaları seçilmiştir. Düzenleme parametreleri her iki sınıfa ayrı ayrı uygulanarak her bir sınıfa ait en iyi 2 bileşen seçilerek dönüşüm matrisleri oluşturulmuştur. Tikhanov ve Shrinkage düzenlemelerine ait denklem 3.11’e uygulanan manipülasyonlar Çizelge 3.1’de aktarılmıştır. Denklemlerde 𝑆 ve 𝑅 iki ayrı sınıfı temsil eder.

Çizelge 3.1. Düzenleme parametrelerine göre, karşılaştırılan iki sınıfa ait sinyallerin kovaryans matrislerinin yeniden düzenlenmesi.

Tikhanov Düzenlemesi Shrinkage Düzenlemesi

1. Sınıfa ait uzamsal

filtre (S) için denklem 𝛬𝑆= 𝑤𝑇𝑆𝑤

𝑤𝑇𝑅𝑤 + 𝛼(𝑤𝑇𝐾𝑤) 𝛬𝑆= 𝑤𝑇𝑆𝑤

(1 − 𝛽)𝑤𝑇𝑅𝑤 + 𝛽𝐷𝐼)

2.sınıfa ait uzamsal

filtre (R) için denklem 𝛬𝑅 = 𝑤𝑇𝑅𝑤

𝑤𝑇𝑆𝑤 + 𝛼(𝑤𝑇𝐾𝑤) 𝛬𝑅= 𝑤𝑇𝑅𝑤

(1 − 𝛽)𝑤𝑇𝑆𝑤 + 𝛽𝐷𝐼

Tikhanov düzenlemesi için α ve 𝐾 olmak üzere iki düzenleme parametresi kullanılır. Tez kapsamında tek değişkene indirmek için 𝐾 matrisi birim matris olarak seçilmiştir ve α parametrelerinin değerleri logaritmik olarak (10-10 dan 10-1e doğru artan) artan 10 farklı değer seçilmiş ve en iyi her bir denek için en iyi α parametresi, eğitim veri setinde 10-katlı çapraz doğrulama uygulanarak eğitim veri setleri içerisinde en iyi sınıflandırma performansını sağlayan değer seçilmiştir.

Shrinkage düzenlemesi için daraltma katsayısı 𝛽 tek değişkendir. 𝐷 değişkeni referans olarak seçilen sınıfa ait özdeğerlerin sütün matrisi ve 𝐼 birim matristir. 𝛽 katsayısı (0.1’den başlayarak 0.9’a doğru) doğrusal olarak artan değerler seçilmiş ve en iyi 𝛽 değeri eğitim veri setinde 10-katlı çapraz doğrulama uygulanarak eğitim veri setleri içerisinde en iyi sınıflandırma performansını sağlayan değer seçilmiştir.

Denklemler üzerinden elde edilen 𝛬𝑆 ve 𝛬𝑅 matrisleri için ayrı ayrı özdönüşüm uygulanarak elde edilen bileşenler içerisinden iki sınıf için de en yüksek özdeğere sahip 2 bileşene ait özvektörler uzamsal filtre olarak seçilmiştir.

Benzer Belgeler