BCI Kontrollü Rehabilitasyon Sistemlerinde Motor Niyet Sınıflandırması için Manifold Öğrenme Tabanlı EEG Sinyal İşleme

Abstract

Bu çalışma, omurilik yaralanması (SCI) olan bireylerin motor iyileşmesine yardımcı olmak amacıyla EEG odaklı bir beyin-bilgisayar arayüzü (BCI) tabanlı bilek rehabilitasyon robotunun geliştirilmesini incelemektedir. Ana hedef, çeşitli öğrenme tekniklerini ve makine öğrenimi sınıflandırıcılarını kullanarak EEG verilerinden hareket amaçlarını sınıflandırmaktır. Altı sağlıklı katılımcının EEG sinyalleri, el ve bileğin farklı hareketlerini hayal ederken kaydedilmiştir. t-SNE, ISOMAP, Spektral Gömme, LLE ve MDS gibi boyut azaltma yöntemleri, hareket sınıflandırmasını optimize etmek için k-NN, Naive Bayes ve SVM gibi sınıflandırma yöntemleriyle entegre edilmiştir. t-SNE ve k-NN kombinasyonu en etkili yöntem olarak öne çıkmış, iki sınıflı sınıflandırmalarda %99,7, üç sınıflı sınıflandırmalarda %99,3 ve beş sınıflı sınıflandırmalarda %79,7 doğruluk oranı elde edilmiştir. LLE ve Spektral Gömme sınırlı başarı gösterirken, ISOMAP ve k-NN güçlü alternatifler olarak dikkat çekmiştir. Bu sonuçlar, BCI sistemlerinin doğruluğunu artırmada boyut azaltma yöntemlerinin potansiyelini vurgulamaktadır. Elde edilen bulgular, EEG tabanlı BCI kullanan ve hassas motor niyeti tespiti sağlayan yenilikçi bir 2 serbestlik dereceli bilek rehabilitasyon robotunun tasarımına önemli katkılar sunarak, omurilik yaralanmalı hastaların rehabilitasyonu için umut verici bir çözüm sunmaktadır.

This study investigates the development of an EEG-driven Brain-Computer Interface (BCI)-based wrist rehabilitation robot to assist individuals with Spinal Cord Injury (SCI) in motor recovery. The main goal is to apply various learning techniques and machine learning classifiers to classify motor intentions from EEG data. The EEG signals of six healthy participants were recorded while they imagined different movements of the hand and wrist. Dimensionality reduction methods such as t-SNE, ISOMAP, Spectral Embedding, LLE and MDS have been integrated with classification methods such as k-NN, Naive Bayes, and SVMs to optimize motion classification. The combination of t-SNE and k-NN proved to be the most effective. It achieved accuracies of 99.7% for two-class classifications, 99.3% for three-class classifications, and 79.7% for five-class classifications. While LLE and Spectral Embedding had limited success, ISOMAP and k-NN were strong alternatives. These results highlight the potential of dimensionality reduction for the improvement of the accuracy of BCI systems. The results contribute to the design of an innovative 2-DOF wrist rehabilitation robot that utilizes EEG-based BCI to provide precise motor intent detection, offering a promising solution for the rehabilitation of spinal cord injured patients.