Bağımsız Bileşen Analizi ve Makine Öğrenmesi Kullanılarak Omurilik Yaralanması Olan Kişilerden Alınan Eeg Sinyallerinden El Hareketlerinin Sınıflandırılması

Abstract

Bu çalışmanın temel amacı, Omurilik Yaralanması (OY) olan kişilerin, kol ve el hareketlerinin, kodu çözülebilir nöral bağıntılarını koruduğunu göstermektir. OY’li on kişiden pronasyon, süpinasyon, palmar kavrama, lateral kavrama ve el açma hareketleri düşündürülerek alınan ElektroEnsefaloGrafi (EEG) sinyallerinin ayırt edici hareket bilgisi araştırılmıştır. Bunu yaparken kullanılan yöntemlerde Bağımsız Bileşen Analizi (BBA/ICA) yöntemi hem artefakt gidermede hem de yeni bir yaklaşım olarak öznitelik vektörlerini çıkarmada kullanılmıştır. Önerilen yöntemde öznitelik vektörleri bağımsız bileşenlerde ortak bilgi matrisi çıkarılarak oluşturulmuştur. Çıkarılan ve seçimi yapılan öznitelik vektörleri dört farklı makine öğrenmesi modeli (Destek Vektör Makinesi (DVM), k-En Yakın Komşuluk (k-EYK), AdaBoost ve Karar Ağaçları (KA)) ile test edilmiştir. Model değerlendirme aşamasında aşırı öğrenmenin önüne geçmek için 5-katlamalı çapraz doğrulama ve hata matrisi yöntemleri kullanılmıştır. Sonuç olarak, incelenen beş sınıfa göre elde edilen başarım oldukça yüksek çıkmıştır. Deneklerin ortalaması alındığında elde edilen model doğruluk değerleri sırasıyla DVM’de 0.9024±0.0781, k-EYK’da 0.8582±0.0985, AdaBoost’ta 0.7924±0.0937 ve KA’da 0.8089±0.0645 olarak hesaplanmıştır. Bu sonuçlara dayanarak OY olan bireylerin kol ve el hareketlerinin ayırt edicilik performansının önerilen yöntem ile oldukça yüksek sonuçlar verdiği görülmektedir. BBA yöntemine dayalı bir öznitelik çıkarma ve DVM modeli ile sınıflandırma metodolojisinin OY’li hastaların rehabilitasyon tedavisinde EEG temelli beyin bilgisayar arayüzü uygulamalarına önemli bir katkısı olacağı düşünülmektedir.