EEG Sinyallerinin Analizi ve Sınıflandırılmasında
Yazılım Sistemlerinin Kullanımına Genel Bir Bakış
Buse Nur Uygun1[0000-0003-1758-5765], Emine Sezer2, Murat Osman Ünalır3 1 İzmir Yüksek Teknoloji Enstitüsü, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Urla,
İzmir
buseuygun@iyte.edu.tr
2 Ege Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Bornova, İzmir
emine.sezer@ege.edu.tr
3 Ege Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Bornova, İzmir
murat.osman.unalir@ege.edu.tr
Özet. Electroencephalogram (EEG), beyinde 2 farklı bölge arasındaki voltaj farkının zaman içerisindeki değişiminin görsel olarak ifade edilmesini sağlayan bir sinyal çeşididir. EEG sinyallerinin nörolojik hastalıkların teşhisinde ve be-yinde gerçekleşen psikofizyolojik süreçlerin aydınlatılmasında önemli bir yeri vardır. Son yıllara kadar bu sinyallerin yorumlanması tamamen insan kaynaklı yapılmakta, bu da zaman kaybı ve insani hataya açık olması gibi sorunlara ne-den olabilmekteydi. Son yıllarda geliştirilen yazılımlar bu tip sorunları en aza indirmektedir. Aynı zamanda yazılım uygulamaları ve sistemler hayata dair tüm alanlarda hızla yer almaktadır. Bu alanlardan biri de hastalık teşhisini de kapsa-yan sağlık alanıdır. Bu çalışmanın amacı, beyin sinyallerini toplamaya yarakapsa-yan teknikler hakkında genel bir bilgi vermek, EEG sinyalinin işlenmesinin aşama-larını incelemek ve bu aşamalarda kullanılan farklı tekniklerin kıyaslamasını yapmaktır.
Anahtar Kelimeler: EEG, Dalgacık Dönüşümü, Sağlık Yazılımı, Sinyal İşleme, Hastalık Teşhisi.
A General Approach to Usage of Software Systems in
EEG Signal Analysis and Classification
Buse Nur Uygun1[0000-0003-1758-5765], Emine Sezer2, Murat Osman Ünalır3 1 Izmir Institute of Technology, Engineering Faculty, Computer Engineering, Urla, İzmir
buseuygun@iyte.edu.tr
2 Ege University, Engineering Faculty, Computer Engineering, Bornova, İzmir
emine.sezer@iyte.edu.tr
3 Ege University, Engineering Faculty, Computer Engineering, Bornova, İzmir
murat.osman.unalir@ege.edu.tr
Abstract. EEG is a signal type that visualize the electrical changes in the two different locations of the brain produced. EEG signals have an important role in diagnosis of neurological diseases and understanding psychophysiologic pro-cesses occurring within the brain. Until recent years, interpretation of this sig-nals was completely human driven, this process was time consuming and error prone. recently developed softwares are reducing this kind of problems. At the same time software applications and systems become a big part of number of areas. And one of those area is medicine which contains medical diagnosis. The aim of this study is to give an outline of brain signal acquisition technics, analy-ze the signal processing stages and compare various techniques that is used du-ring signal processing stages.
Keywords: EEG, Wavelet Transform, Medical Software, Signal Processing, Diagnosis.
1
Giriş
Beyin, yapısal ve kimyasal olarak vücudumuzdaki en karmaşık organdır. Nöronlar, beynin ve sinir sisteminin işlevsel kısmını oluşturan temel hücreleridir. Nöronlar ara-sında sürekli devam eden bir haberleşme sistemi vardır. Bu haberleşme sisteminin sağlıklı çalışmaması sonucunda akut ve kronik hastalıklar baş gösterir.
Modern görüntüleme teknikleriyle elde edilen beyin sinyallerinin işlenip anlamlı bir veri ortaya çıkarılmasıyla beyinden kaynaklanan bazı hastalıkların teşhisi yapılabi-lir. Örneğin CT ve MR sayesinde beynin yapısal formu gözlemlenir ya da PET ile farklı zihinsel etkinliklerde beynin hangi bölgesinin kullanıldığı araştırılır, EEG ile epilepsi, depresyon, beyin dolaşım bozuklukları gibi rahatsızlıklar teşhis edilir.
EEG, beyindeki elektriksel aktivitenin elektroensefalogram cihazı kullanılarak ana-log sinyal olarak kaydedilmesini sağlayan bir tekniktir. Elde edilen sinyal mikrovolt ile ölçülür ve bir yükselticiden geçirilir. Sonrasında elde edilen analog sinyal, bilgisa-yar tarafından kullanılabilmesi için dijital sinyale çevrilir.
EEG sinyalinin analizi ile kişinin o anki beyinsel faaliyetleri hakkında yararlı bilgi-ler elde edilir. Ancak sinyalin sadece gözlemleme yoluyla bu bilginin elde edilmesi deneyim gerektirir. Çünkü bu sinyaller yapısı gereği durağan ve doğrusal olmayan sinyallerdir. İçerisinde barındırdığı anlamlı verinin herkes tarafından anlaşılabilmesi için öncelikle gelişmiş sinyal işleme teknikleri uygulanmalıdır. Sonrasında işlenmiş sinyal üzerinden anlamlı özellikler çıkartılabilir [1].
EEG sinyallerinin sadece görsel olarak incelenerek kullanılamamasının başka se-bepleri de vardır. EEG görüntüleme sistemleri anlık olarak çok sayıda veri ürettiğin-den bunların doktorlar tarafından sürekli bir şekilde gözlemlenip yorumlanması mümkün değildir. Ayrıca sinyalde kolayca göze çarpmayacak değişimler önemli bir hastalığın belirtisi olabilir [2]. Ya da sinyal kaydı alınırken diğer gürültülü sinyaller asıl sinyalin bozulmasına sebep olabilir. Bu durumda istenmeyen gürültülerin asıl sinyalden ayrılması gerekir [3]. Bu gibi problemleri çözebilmek için bilgisayarlı oto-masyon sistemlerine ihtiyaç duyulmuştur.
EEG sinyali kullanılarak sınıflandırma yapılabilmesi için EEG sinyalinin sırayla beş aşamadan geçmesi gereklidir. Bu aşamalar sinyalin elde edilmesi, elde edilen
sinyalin gürültülerden temizlenmesi, sinyalin özelliklerinin(özniteliklerinin) çıkartıl-ması, özellik uzayının boyutlarının küçültülmesi ve ardından sınıflandırılmasıdır [4].
Sinyalin elde edilmesinden sonra filtreleme aşaması gelir. Bu aşamanın amacı asıl sinyalin, diğer sinyaller sebebiyle uğradığı bozulmayı en aza indirebilmektir [5].
Sonraki aşama olan öznitelik vektörünün çıkartılması, elde edilen EEG sinyalinin kendine has özelliklerinin ayrıştırılmasını sağlar. Bu sebeple sinyal analizine başla-madan önce sinyalin hangi özniteliklerine ihtiyaç duyulduğuna göre bir sinyal analiz yöntemi seçilmelidir. Sinyal üzerinde uygulanacak analiz yöntemi sinyalin; zaman, frekans, zaman/frekans ve lineer olmayan eksenleri içerisinden hangisi üzerinde ince-lenmesi gerektiğine göre belirlenmelidir. Örneğin sinyalin frekans ve zaman/frekans ekseninde incelenmesi için öznitelik vektörü çıkarılmadan önce sinyale özel bir dönü-şüm uygulanması gerekir. Sinyalin lineer olmayan bir analizle incelenmesi gerekiyor-sa higher order spectra, entropi gibi yaklaşımlar kullanılabilir.
Bu analizlerin sonucunda sıra boyut azaltma aşamasına gelir. Boyut azaltma aşa-masının amacı, gereksiz öznitelikleri eleyerek sınıflandırma başarısını ve bilgisayar performansını arttırmaktır [6]. Boyut azaltma aşamasından çıkan boyutları indirgen-miş öznitelik vektörü sınıflandırma algoritmasına girdi olarak verilir.
Bu çalışma şu şekilde organize edilmiştir: Giriş bölümünde EEG sinyaline dair ge-nel bilgiler verilmiş, sinyalin işlenmesi sırasında geçtiği aşamalar belirtilmiştir. 2. bölümde çeşitli sinyal elde etme yöntemlerinin karşılaştırılması gösterilmiştir. 3. Bö-lümde sinyalin filtrelenme aşamasından bahsedilmiştir. 4. böBö-lümde EEG sinyalinin özniteliklerinin çıkartılması detaylı bir şekilde anlatılmıştır. 5. bölümde boyut azaltma aşamasında kullanılan yaygın algoritmalar ve bu alanda yapılan bazı çalışmalar açık-lanmıştır. 6. Bölümde sınıflandırma aşamasında yaygın olarak kullanılan algoritmalar açıklanmıştır ve bu algoritmaların sinyal sınıflandırma amacıyla kullanımları kıyas-lanmıştır. 7. Bölüm ise sonuç kısmını içermektedir.
2
Sinyal Elde Etme Yöntemleri
Beyin sinyalinin elde edilmesi için çeşitli yöntemler kullanılır. Bu aşamada kullanılan yöntemler genel olarak invasiv ve invasiv olmayan yöntemler olarak ikiye ayrılır. Bu ayrım hastaya yapılacak müdahalenin derinliğini belirtmek için kullanılır. Beyin sinyali elde edilirken başvurulan invasiv yöntemler intracranial electroencephalog-raphy (EcoG) ve intra-cortical electrode array’dir. İnvasiv olmayan yöntemler ise electroencephalography (EEG), functional magnetic resoncance imaging (fMRI), near infrared spectroscopy (NIRS), positron emission tomography (PET), magnetoencep-halography (MEG) olarak sayılabilir [7]. Her sinyal ölçme metodu farklı amaca yöne-lik kullanılır ve çeşitli avantaj ve dezavantaja sahiptir [8]. Tablo 1 üzerinde invasiv olmayan metotların karşılaştırılması gösterilmiştir.
3
Sinyalin Filtrelenmesi
Kaydedilen EEG sinyallerinin içerisinde çeşitli kaynaklardan gelen gürültüler bulu-nur. Bu sebeple incelenecek asıl sinyalin amacına uygun bir şekilde, asıl sinyalden
Tablo 1. EEG, fMRI, NIRS, MEG metotlarının karşılaştırılması Metot Kaydedilen sinyal türü Avantajları Dezavantajları EEG Kafatası üzerinden
kayde-dilen beyin sinyalleri kul-lanılır.
Yüksek zamansal çözünürlüğe sahiptir.
Güvenli ve kolay uygulanabi-len bir tekniktir.
Gürültü yüzünden sinyalin temizlenmesi gereklidir. Boyutsal olarak çözünür-lüğü düşüktür.
fMRI BOLD dönütünü kullana-rak
oluşturu-lan metabolik sinyaller kullanılır.
Yüksek zamansal ve boyut-sal çözünürlüğe sahiptir.
Kurulum maliyeti fazladır. Veri alımında gecikmeler yaşanır.
NIRS BOLD dönütünü kullana-rak
oluşturu-lan metabolik sinyaller kul lanılır.
Yüksek boyutsal çözünürlüğe sahiptir. Maliyeti düşüktür. Taşınabilir. Düşük zamansal çözünür-lüğe sahiptir. Performansı daha düşük-tür.
MEG Elektriksel aktivite sonucu oluşturulan manyetik sin-yaller kullanılır.
Daha geniş frekans aralığına sahiptir.
Zamansal ve boyutsal çözü-nürlüğü oldukça iyidir.
Kullanılan cihaz ağır ve hantaldır.
Deneylerin maliyeti yük-sektir.
istenmeyen gürültüler ayrıştırılmalıdır. Çeşitli gürültü tiplerine örnek verilecek olursa: Göz hareketlerine bağlı olarak gerçekleşen gürültü sinyali [9], kas hareketlerine bağlı olarak gerçekleşen gürültü sinyali [10], kalp kası hareketine bağlı olarak gerçekleşen gürültü sinyali [11], çevredeki makinelerin neden olduğu sinyaller olarak sıralanabilir. Filtreleme işleminin incelenmek istenen sinyalin öznitelikleri bozulmadan yapıl-ması için çeşitli yöntemler vardır. Bu yöntemlerden biri frekans seçici filtreler kulla-nılmasıdır. Frekans seçici filtreler; yüksek geçiren, alçak geçiren, bant geçiren filtreler olarak ayrılırlar. Çalışma mantıkları elde edilmek istenen sinyalle gürültü sinyalinin frekans bantlarının farklı olduğu varsayımına dayanır. Bu sebeple frekans seçici filtre-ler geniş frekans bandındaki gürültüfiltre-leri temizlemekte başarılı değildir [9].
Gürültü temizlenmesinde başka bir yaklaşım da temizlenecek olan sinyalin analiz edilmesidir. Bu sayede elimizdeki gürültü sinyalinin frekansının bilgisiyle, asıl sinyal ile gürültü sinyali birbirinden ayrıştırılabilir. Bunun sağlanabilmesi için sinyal; za-man, frekans eksenlerinde incelenebilir ya da adaptif filtreleme, Wiener filtreleme yöntemi, bağımsız bileşen analizi algoritması kullanılabilir [10].
4
Sinyalin Özniteliklerinin Çıkartılması
Sinyalin elde edilmesinden sonra sinyalin özniteliklerinin çıkartılması aşaması gelir. EEG sinyallerinde farklı frekans bandına sahip beş ayrı dalga bulunur. Bu dalgalar: delta (1–4 Hz), teta (4–8Hz), alfa (8–13 Hz), beta (13–30Hz) ve gama (30 Hz ve üstü) dalgaları olmak üzere beşe ayrılır[11]. Sinyal analizi aşamasında farklı frekans alt bantlarına denk gelen bu beyin dalgalarından yararlanılır. Beyin dalgaları kişinin mental durumuna, yaşına, uyku ve uyanıklık durumuna ya da sağlık durumuna göre değişkenlik gösterir [11–13].
Sinyal analizinde ilk zamanlar Fourier dönüşümü (FD) kullanılmıştır. FD yapısı gereği, EEG sinyalini zaman ekseninde ele almadığı için sinyalin durağan olduğunu varsayar. Ancak EEG’nin lineer olmayan ve dinamik bir yapısı vardır. Bu sebeple EEG’ye daha uygun olarak zaman eksenini de analiz içerisine dahil eden başka dönü-şüm metotları kullanılmalıdır [14]. Bu dönüşüm metodu çeşitleri-ne kısa zamanlı Fourier dönüşümü (KZFD) ve dalgacık dönüşümü (DD) örçeşitleri-nek verile-bilir.
4.1 Kısa Zamanlı Fourier Dönüşümü
FD, zaman ekseninin hesaba katılmasının önemli olduğu sinyal çeşitlerinin analizinde kullanılmaya uygun değildir. Bu sebeple KZFD metodu geliştirilmiştir. KZFD’de durağan olmayan sinyal, birbiri ardına geldiği kabul edilen bölütlere ayrılır ve bu bölütlerin durağan olduğu varsayılarak her bir bölüte FD uygulanır. Bölütler oluşturu-lurken boyutu, oluşturulan bölütler kadar olan bir pencereleme fonksiyonundan yarar-lanılır. Ancak pencere fonksiyonunun boyutunun seçiminde zaman ya da frekans çözünürlüğünün birinden feragat edilmesi gerekmektedir [15].
4.2 Dalgacık Dönüşümü
Dalgacık dönüşümünde de bir pencereleme fonksiyonu kullanılır. Ana dalgacık denen bu pencereleme fonksiyonunun üstünlüğü ise ölçeklenebilir olmasından gelir. Bu sayede dalgacık dönüşümü, KZFD’de görülen pencere boyutu seçimi yüzünden mey-dana gelen hassasiyet kaybı sorununun çözümüne olanak sağlar ve sinyalin zaman/ frekans ekseninde incelenmesini mümkün kılar. Böylelikle durağan olmayan sinyalle-rin işlenmesi mümkün olur[17]. Dalgacık dönüşümünün iki türü vardır. Bunlar ayrık dalgacık dönüşümü (ADD) ve sürekli dalgacık dönüşümüdür (SDD) [18].
Sürekli Dalgacık Dönüşümü. SDD, zaman içerisinde ana dalganın ölçeklenmesi ve kaydırılmasıyla değişen değerinin sinyalle çarpılması ile elde edilen sonuçlarının toplanması ile bulunur. Bu işlemlerin sonucunda dalgacık katsayıları elde edilir. An-cak SDD’de ölçeklendirme ve kaydırma parametreleri sürekli değiştiğinden her deği-şen parametre değeri için dalgacık katsayılarının tekrardan hesaplanması zaman alan bir işlemdir.
Ayrık Dalgacık Dönüşümü. ADD’de ölçeklendirme ve kaydırma parametreleri iki-nin üstleri olacak şekilde seçilir. Bu şekilde sinyal, alt bantlarına ayrılırken çıkan sonuçlar SDD ile aynı olmakla birlikte sonuçlar daha hızlı alınmaktadır.
Sinyal, dalgacık dönüşümü ile alt frekans bantlarına ayrışır. Bunu sağlamak için de sinyale filtreler uygulanır. Yüksek frekans bileşenlerin analizi yüksek geçiren filtre-den geçirilerek yapılır. Böylece düşük frekans bileşeni elenmiş olur ve ayrıntı bileşeni elde edilir. Düşük frekans bileşenlerin analizi ise tam tersi olarak, düşük geçiren filt-reden geçirilerek yapılır. Böylece yüksek frekans bileşeni elenir ve sonucunda yakla-şıklık bileşeni elde edilir. Dalgacık dönüşümünde sürekli değişen frekans alt bantları
için yüksek ve alçak geçiren filtreler çalıştığı için sinyal yaklaşıklık ve ayrıntı bileşen-lerine ayrılabilir. Bu işleme çoklu çözünürlük ayrışımı ismi verilir. Seçilen ayrışma seviyesi kadar bu işlem devam eder. Şekil 1’de üç ayrışma seviyesi kadar alt bantları-na ayrılmış örnek bir frekans(x[n]) gösterilmektedir.
Analizden sonra yapılacak sınıflandırmaya uygun olacak şekilde ana dalgacık be-lirlenirken genel amaçlı kullanılabilen bir dalga seçilebilir. Örneğin epileptik EEG sinyalinin sınıflandırılmasında Daubechies dalgası iyi bir başarı yüzdesi verdiği için genel amaçlı olarak kullanılabilen bu dalga türünün seçilmesi uygundur [19].
Ayrışma seviyesi seçimi de ayrı bir problem olarak ele alınmalıdır. Temelde ay-rışma seviyesi arttıkça sinyale dair daha ayrıntılı bilgiler elde ederiz ancak bilgisayara getirdiği ekstra yükü de arttırmış oluruz. Ayrışma seviyesi belli bir değerin üzerine çıktığında başarı yüzdesi nerdeyse hiç artmadığı gibi, bilgisayar performansı da bir hayli düşmektedir [20]. Ayrıca ayrışma seviyesinin çok arttırılması sınıflandırma yapılırken kullanılacak öznitelik vektörünün boyutunu arttırdığı için sınıflandırma başarısının düşmesine sebep olur. Optimal değerin bulunabilmesi için incelenen sin-yalin frekans özellikleri dikkate alınmalıdır [21]. EEG sinsin-yalinde 30 Hz’in üzerinde yararlı bir frekans bileşeni olmadığı için 256 Hz’lik bir sinyalde ayrışma seviyesi beş olarak belirlenebilir [22]. Ayrışma seviyesi 5’in altında seçilirse düşük frekans ban-dında hassasiyet kaybı olacaktır. Örneğin delta dalgasının temsili zorlaşacaktır. Ay-rışma seviyesinin 5’in üzerinde seçilmesi ise gereksizdir çünkü tüm EEG dalgalarının temsili bu seviyede mümkündür [23].
Alt bantlarına ayırma işlemi sonucu oluşan A5 bileşeni delta aralığını (1-4 Hz), D5 bileşeni teta aralığını (4-8 Hz), D4 bileşeni alfa aralığını (8-13 Hz) ve D3 bileşeni beta aralığını (13-30) yansıtmaktadır. D1 ve D2 bantları 30Hz’in üzerinde bir frekans ara-lığına sahip olduğu için, diğer bantlara kıyasla daha az bilgi içermektedirler. Bu se-beple yapılan benzer çalışmalarda D3, D4, D5 ayrıntı alt bantları ve A5 yaklaşım alt bantları kullanılarak inceleme yapılmaktadır [24]. Şekil 2’de 256 Hertzlik bir frekan-sın alt bantlarına ayrışması gösterilmektedir.
Dalgacık dönüşümü ile frekans alt bantlarına ayrılmış EEG sinyalinden öznitelik vektörleri elde edilir. Öznitelik vektörünün oluşturulabilmesi için frekans alt bantları üzerinden dalgacık katsayılarının dağılımını gösteren istatistiki değerler hesaplanır [25]. Bu sayede EEG’nin zaman frekans dağılımı gösterilir. Bu işlemler sırasında kullanılan bazı istatistik değerler şunlardır: Her bir alt banttaki katsayıların mutlak değerlerinin ortalaması, katsayıların mutlak değerlerinin maksimumu, katsayıların kuvvetlerinin ortalaması, katsayıların standart sapması.
Şekil 2. 256 Hz’lik bir sinyalin alt bantlarına ayrışması
5
Öznitelik Vektörünün Boyutlarının Azaltılması
Öznitelik vektöründeki her özellik sınıflandırma algoritmasına verilmez. Bunun sebe-bi sinyalin içerisinde sınıflandırma başarısını düşürecek gürültülü veri ya da ilgisiz özelliklerin bulunmasıdır. Bu sebeple öznitelik vektörünün çıkartılma aşamasından sonra boyut azaltma aşaması gelir. Bu aşamada sinyali en iyi temsil edecek özellikle-rin çıkartılabilmesi için boyut azaltma ve özellik seçme algoritmaları kullanılır. Teo-rik olarak, çıkarılan tüm özelliklerin kombinasyonları ile sınıflandırma yapılarak en yüksek başarıya sahip kombinasyondaki öznitelikler seçilebilir. Ancak öznitelik vek-törü genişse bu deneme süresi çok uzun sürer. Sürenin kısaltılması için genetik algo-ritmalar, temel bileşen analizi gibi yöntemler kullanılabilir [26].
Bu aşamada en uygun özniteliklerin seçilmesi için kullanılan yaygın lineer metotla-ra örnek olametotla-rak temel bileşenler analizinin (TBA) yanı sımetotla-ra bağımsız bileşenler analizi (BBA) ve doğrusal ayrım analizi (DAA) verilebilir [27-28]. Bu üç algoritmanın des-tek kuvvet makinesi sınıflandırıcısı ile beraber kullanıldığı çalışmada en yüksek başa-rı oranının sırasıyla DAA, BBA, TBA olduğu gösterilmiştir [22].
5.1 Temel Bileşenler Analizi
Temel bileşenler analizi, özellik çıkarımı ve boyut azaltılması için yaygın olarak kul-lanılan bir istatiksel metottur. Bu metot ile, d boyutlu bir veri daha az bir boyutta ifade edilmeye çalışılır. Bu sayede zaman ve yer karmaşıklığının azaltılması hedeflenir.
Dönüşüm sonrasında elde edilen değişkenler ilk değişkenlerin temel bileşenleri olarak adlandırılır. İlk temel bileşen olarak varyans değeri en büyük olan seçilir ve diğer temel bileşenler varyans değerleri azalacak şekilde sıralanır. Bu teknik, özellikle çok-lu kaynaklardan gelen sinyallerin bölütlenmesinde kullanılır. TBA çeşitli çalışmalarda EEG sinyalinden çıkartılan öznitelik vektörünün boyutlarının küçültülmesinde kulla-nılmıştır [29].
5.2 Bağımsız Bileşenler Analizi
Bağımsız bileşenler analizi, birbirinden bağımsız çok değişkenli sinyalleri, bağımsız bileşenlerin doğrusal birleşimi şeklinde ifade etmeye çalışır. X ve y iki değişken ol-mak üzere herhangi birinin değeri diğerinin değerine bağlı değilse bunlara bağımsız değişken denir. Bu analizde amaç, bağımsız 2 kaynaktan gelen sinyallerin birbirinden ayrıştırılmasıdır. BBA çeşitli çalışmalarda, EEG sinyalinden çıkartılan öznitelik vek-törünün boyutlarının küçültülmesinde ya da sinyalin sınıflandırılmasında kullanılmış-tır [29-30].
5.3 Doğrusal Ayrım Analizi
Doğrusal ayrım analizinde amaç, sınıfları en iyi şekilde arayan lineer doğruyu bul-maktır. Algoritma bunun için ilk başta belirlenen grupların arasındaki mesafeyi mak-simum yapmaya çalışır [6].
6
Sınıflandırma Aşaması
Son olarak, boyutu azaltılmış sinyalin sınıflandırılması aşaması gelir. Sinyal sınıflan-dırma aşamasında çeşitli makine öğrenmesi algoritmaları kullanılabilir. Bu algoritma-lar doğrusal sınıflandırıcıalgoritma-lar, sinir ağalgoritma-ları, doğrusal olmayan Bayesian sınıflandırıcıalgoritma-lar, en yakın komşu sınıflandırıcıları ve bu algoritmaların kombinasyonları olarak 5’e ayrılarak incelenebilir. [31].
6.1 Doğrusal Sınıflandırıcılar
Doğrusal sınıflandırma algoritmaları, veri setindeki elemanları sınıflara ayırabilmek için doğrusal fonksiyonlardan yararlanır. En yaygın kullanılan 2 çeşidi doğrusal ayrım analizi (5.3) ve destek kuvvet makinesi (DKM) algoritmalarıdır.
Destek Kuvvet Makinesi Algoritması. Destek kuvvet makinesi, sınıfları birbirinden ayırabilmek için doğrusal bir fonksiyondan yararlanır. DKM’nin diğer doğrusal sınıf-landırıcı algoritmalarından farkı, marjin değerini (ayrılma sağlayan fonksiyonun her iki tarafındaki en yakın komşuların bu fonksiyona olan uzaklığı) en uzak yapan destek vektörlerini bulmaya çalışmasıdır. DKM, doğrusal ayrılan ve doğrusal ayrılmayan veriler için kullanılabilir. Doğrusal ayrılan veriler için uygulaması yukarıda anlatıldığı
gibidir, doğrusal ayrılmayan veriler için önce veriler doğrusal ayrılabilecekleri bir uzaya aktarılır, sonrasında sınıflandırma işlemi yapılır. DKM, sınıflandırma sırasında teorik riski sıfıra indirmeye çalıştığı için başarı yüzdesi yüksektir. Ayrıca eğitim süre-sinin uzun olduğu durumlarda ve gelen özellik vektörünün boyutunun fazla olması durumlarında bile iyi sonuç verir [32-33].
6.2 Yapay Sinir Ağları
Doğrusal sınıflandırma algoritmaları ile birlikte beyin-bilgisayar arayüzü araştırmala-rında en sık kullanılan sınıflandırma algoritmalaaraştırmala-rındandır. Sinir ağlarının çalışma prensibi, beyindeki nöronların yapay olarak modellenerek lineer olmayan sınıflandır-ma için kullanılsınıflandır-masıdır. Sinir ağlarının en sık kullanılan çeşidi Çok Katsınıflandır-manlı Per-ceptron (ÇKP)’dir. ÇKP dışında başka sinir ağları mimarileri de mevcuttur.
Çok Katmanlı Perceptron. Çok katmanlı perceptron, yapay sinir ağlarının yapıtaşı olan nöronların birden çok katman halinde bulunmasından meydana gelir. Giriş ve çıkış katmanlarının arasındaki katmanlara gizli katman denir. Sadece komşu katman-lar birbirleriyle iletişim halindedir. Çıkış katmanı, girdinin sınıfının ne olacağını belir-tir. Ancak ÇKP’nin eğitim süresi uzun tutulduğunda gelen farklı verileri doğru sınıf-landırmada başarısız olduğu görülmüştür [34]. Bu sebeple ÇKP’nin tasarımı yapılır-ken girilen parametre değerleri dikkatli seçilmelidir.
Diğer Sinir Ağları Mimarileri. Sinyal sınıflandırma amacıyla çeşitli sinir ağı mima-rileri kullanılmaktadır. Bunlara örnek olarak Gaussian sınıflandırma algoritması, lear-ning vector quantization, bulanık ARTMAP, dinamik sinir ağı, radyal tabanlı sinir ağları sayılabilir.
6.3 Doğrusal Olmayan Bayesian Sınıflandırma Algoritmaları
Bu sınıflandırma algoritmalarına saklı Markov model (SMM) ve Bayes quadratic algoritmaları verilebilir. Bu sınıflandırma yöntemleri ile veriler doğrusal olmayan bir şekilde sınıflandırılabilir.
Bayes Quadratic. Bayesian sınıflandırmasında, sisteme sunulan öğretilmiş veriler kullanılarak yapılan olasılık işlemleri ile yeni gelen veriye atanacak sınıf belirlenir. Ancak sisteme sunulan eğitim verisinin bir kategorisi olmalıdır.
Saklı Markov Model. SMM, yaygın olarak zaman serilerinin sınıflandırılmasın-da kullanılan bir algoritmadır ve özellikle ses tanıma alanınsınıflandırılmasın-da sıkça kullanılır [35]. Markov modeliyle her stokastik olayın olasılık değeri modellenebilir. Böylece t anındaki durum bilgisi ile t+1 anındaki durum tahminlenir. SMM’nin EEG sinyali ile yapılan uyku safhası sınıflandırılması için kullanıldığı çalışmalarda başarılı sonuçlar elde edilmiştir [36-37].
6.4 En Yakın Komşu Sınıflandırması
Sınıflandırılacak olan yeni elemanın, ona en yakın elemanların sınıfı göz önüne alına-rak bir sınıfa dahil edilmesi mantığıyla çalışır. Veri setinin içinden en yakın elemanla-rın seçimi metrik bir değere göre belirleniyorsa bu sınıflandırma algoritmasına k en yakın komşu algoritması denir. Bu sınıflandırma metodunun dezavantajları tembel bir öğrenme algoritması olması ve k değerinin seçiminde bir belirsizlik olmasıdır [38]. Ayrıca geniş veri setlerinde çalışma performansı düşüktür. Bu sebeplerden dolayı sinyal sınıflandırma alanında sık kullanılmamaktadır.
7
Sonuç
EEG, beynin anlık durumunu ve beyinle ilgili olan hastalıkların teşhis edilebilmesi için gerekli olan verilerin kolay bir şekilde elde edilmesini sağlar. Çeşitli mental du-rumların (yaş, cinsiyet, uyku/uyanıklık durumu) EEG üzerinde doğrudan etkisi vardır. EEG sinyallerinden elde edilen bilgilerle patolojik sinyallerin sınıflandırması yapıla-bilir. Bunun için EEG sinyallerinin ilk olarak işlenmesi gerekir. Sinyal işlenmesi sü-recinde çeşitli dönüşümler kullanılır. Ancak EEG sinyallerinin doğasına uygun olacak şekilde işlenebilmesi için kullanılacak yöntemlerde seçici davranılmalıdır. Sinyal analizinde sık kullanılan bir yöntem dalgacık dönüşümüdür. Bu dönüşüm, EEG sinya-line geniş bir bakış açısı sağlar. Dalgacık dönüşümü sonrasında uygulanan istatiksel hesaplamalarla elde edilen öznitelik vektörü sinyalin kendine has özelliklerini belirtir. Yapılacak sınıflandırmanın başarısı arttırmak amacıyla, oluşturulan vektörün boyutu-nu indirgeyen doğrusal olan ve doğrusal olmayan algoritmalar kullanılır. Boyutu in-dirgenmiş öznitelik vektörü, sınıflandırılması için bir makine öğrenmesi algoritmasına girdi olarak verilir.
Bu çalışmada bilgisayarlı otomasyon sistemlerinin EEG sinyalinden anlamlı bilgi elde edilmesi amacıyla kullanılması ve bu süreçte EEG sinyalinin geçtiği aşamalar üzerinde durulmuştur. Sinyallerden kendine has özniteliklerinin elde edilebilmesi için uygun analiz metotları kullanılmalıdır. Bu sebeple bu çalışmada EEG sinyalinin ana-lizi zaman/frekans ekseninde yapılmıştır.
Kaynakça
1 D. P. Subha, P. K. Joseph, R. Acharya U, and C. M. Lim, “EEG signal analysis: a survey.,” J. Med. Syst., vol. 34, no. 2, pp. 195–212, 2010.
2 D. M. Murray, G. B. Boylan, I. Ali, C. A. Ryan, B. P. Murphy, and S. Connolly, “Defining the gap between electrographic seizure burden, clinical expression and staff recognition of neonatal seizures,” Arch. Dis. Child. Fetal Neonatal Ed., vol. 93, no. 3, pp. 187–191, 2008.
3 R. Romo Vázquez, H. Vélez-Pérez, R. Ranta, V. Louis Dorr, D. Maquin, and L. Maillard, “Blind source separation, wavelet denoising and discriminant analysis for EEG artefacts and noise cancelling,” Biomed. Signal Process. Control, vol. 7, no. 4,
pp. 389–400, 2012.
4 T. Lajnef et al., “Learning machines and sleeping brains: Automatic sleep stage classification using decision-tree multi-class support vector machines,” J. Neurosci. Methods, vol. 250, pp. 94–105, 2015.
5 M. Ronzhina, O. Janoušek, J. Kolářová, M. Nováková, P. Honzík, and I. Provazník, “Sleep scoring using artificial neural networks,” Sleep Med. Rev., vol. 16, no. 3, pp. 251–263, 2012.
6 S. F. Liang, H. C. Wang, and W. L. Chang, “Combination of EEG complexity and spectral analysis for epilepsy diagnosis and seizure detection,” EURASIP J. Adv. Signal Process., vol. 2010, pp. 17–20, 2010.
7 S. V. Bandara, “Brain signal acquisition methods in BCIs to estimate human motion intention – a survey Brain signal acquisition methods in BCIs to estimate human motion intention – a survey,” no. December, 2018.
8 M. R. Lakshmi, T. V. Prasad, and V. C. Prakash, “Survey on EEG signal processing methods,” Sci. Comput. Eng. Softw., vol. 4, no. 1, pp. 84–91, 2014.
9 A. van Boxtel, P. Goudswaard, and L. R. B. Schomaker, “Amplitude and Bandwidth of the Frontalis Surface EMG: Effects of Electrode Parameters,” Psychophysiology, vol. 21, no. 6, pp. 699–707, 1984.
10 S. Motamedi-Fakhr, M. Moshrefi-Torbati, M. Hill, C. M. Hill, and P. R. White, “Signal processing techniques applied to human sleep EEG signals - A review,” Biomed. Signal Process. Control, vol. 10, no. 1, pp. 21–33, 2014.
11 R. Acharya U., O. Faust, N. Kannathal, T. Chua, and S. Laxminarayan, “Non-linear analysis of EEG signals at various sleep stages,” Comput. Methods Programs Biomed., vol. 80, no. 1, pp. 37–45, 2005.
12 M. M. M. Rizon and R. N. S. Yaacob, “EEG Feature Extraction for Classifying Emotions using FCM and FKM 2 Materials and Methods,” Ratio, no. June, pp. 299– 304, 2008.
13 H. P. Landolt and A. A. Borbély, “Age-dependent changes in sleep EEG topography,” Clin. Neurophysiol., vol. 112, no. 2, pp. 369–377, 2001.
14 A. T. Tzallas, M. G. Tsipouras, and D. I. Fotiadis, “Epileptic Seizure Detection in EEGs Using Time–Frequency Analysis,” {IEEE} Trans. Inf. Technol. Biomed., vol. 13, no. 5, pp. 703–710, 2009.
15 L. Guo, D. Rivero, J. Dorado, C. R. Munteanu, and A. Pazos, “Automatic feature extraction using genetic programming: An application to epileptic EEG classification,” Expert Syst. Appl., vol. 38, no. 8, pp. 10425–10436, 2011.
16 H. Adeli, Z. Zhou, and N. Dadmehr, “Analysis of EEG records in an epileptic patient using wavelet transform,” J. Neurosci. Methods, vol. 123, no. 1, pp. 69–87, 2003. 17 Y. Kumar, M. L. Dewal, and R. S. Anand, “Epileptic seizure detection using DWT
based fuzzy approximate entropy and support vector machine,” Neurocomputing, vol. 133, pp. 271–279, 2014.
18 H. Ocak, “Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy,” Expert Syst. Appl., vol. 36, no. 2 PART 1, pp. 2027–2036, 2009.
19 A. Subasi, “Automatic detection of epileptic seizure using dynamic fuzzy neural networks,” Expert Syst. Appl., vol. 31, no. 2, pp. 320–328, 2006.
20 T. Gandhi, B. K. Panigrahi, and S. Anand, “A comparative study of wavelet families for EEG signal classification,” Neurocomputing, vol. 74, no. 17, pp. 3051–3057, 2011. 21 I. Transactions and I. Technology, “Multiclass Support Vector Machines for
EEG-Signals Classification,” vol. 11, no. April 2007, 2016.
22 A. Subasi and M. I. Gursoy, “EEG signal classification using PCA, ICA, LDA and support vector machines,” Expert Syst. Appl., vol. 37, no. 12, pp. 8659–8666, 2010. 23 B. Şen, M. Peker, A. Çavuşoğlu, and F. V Çelebi, “A comparative study on
classification of sleep stage based on EEG signals using feature selection and classification algorithms.,” J. Med. Syst., vol. 38, no. 3, p. 18, 2014.
24 X. W. Wang, D. Nie, and B. L. Lu, “Emotional state classification from EEG data using machine learning approach,” Neurocomputing, vol. 129, pp. 94–106, 2014. 25 P. Jahankhani, V. Kodogiannis, and K. Revett, “EEG signal classification using
wavelet feature extraction and neural networks,” Proc. - IEEE John Vincent Atanasoff 2006 Int. Symp. Mod. Comput. JVA 2006, pp. 120–124, 2006.
26 H. Ocak, “Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm,” Signal Processing, vol. 88, no. 7, pp. 1858–1867, 2008. 27 L. J. Cao, K. S. Chua, W. K. Chong, H. P. Lee, and Q. M. Gu, “A comparison of PCA,
KPCA and ICA for dimensionality reduction in support vector machine,” Neurocomputing, vol. 55, no. 1–2, pp. 321–336, 2003.
28 X. Wang and K. K. Paliwal, “Feature extraction and dimensionality reduction algorithms and their applications in vowel recognition,” Pattern Recognit., vol. 36, no. 10, pp. 2429–2439, 2003.
29 L. Zhukov, D. Weinstein, and C. Johnson, “Independent Component Analysis for EEG Source Localization In Realistic Head Models,” IEEE Eng. Med. Biol. Mag., vol. 19, no. 3, pp. 87–96, 2000.
30 C. Papadelis et al., “Monitoring sleepiness with on-board electrophysiological recordings for preventing sleep-deprived traffic accidents,” Clin. Neurophysiol., vol. 118, no. 9, pp. 1906–1922, 2007.
31 F. Lotte, M. Congedo, A. Lécuyer, F. Lamarche, and B. Arnaldi, “A review of classification algorithms for EEG-based brain-computer interfaces,” J. Neural Eng., vol. 4, no. 2, 2007.
32 A.K. Jain, R.P.W. Duin, and J. Mao, “Statistical Pattern Recognition: A Review,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 1, pp. 4–37, 2000.
33 G. D., P. D. A., A. C. W., and T. M. H., “Comparison of linear, nonlinear, and feature selection methods for EEG signal classification,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 11, no. 2, pp. 141–144, 2003.
34 D. Arpit et al., “A Closer Look at Memorization in Deep Networks,” 2017.
35 Rabiner,L.R., “A tutorial on hidden Markov models and selected applications in speech recognition,” Proc. IEEE, vol. 77, no. 2, pp. 257–286, 1989.
36 M. Längkvist, L. Karlsson, and A. Loutfi, “Sleep Stage Classification Using Unsupervised Feature Learning,” Adv. Artif. Neural Syst., vol. 2012, pp. 1–9, 2012. 37 A. Flexer, G. Gruber, and G. Dorffner, “A reliable probabilistic sleep stager based on a
single EEG signal,” Artif. Intell. Med., vol. 33, no. 3, pp. 199–207, 2005.
38 G. Yang, M. Kifer, and C. Zhao., “KNN Model-Based Approach in Classification,” Int. Conf. Ontol. Databases, Appl. Semant., no. January, pp. 671–688, 2003.
