Professional Documents
Culture Documents
Sunum Makale TR
Sunum Makale TR
KAĞIT
Anahtar Kelimeler: beyin bilgisayar arayüzleri (BCI), motor imgeleme (MI), kanal seçimi, evrişimsel sinir ağı (CNN)
Özet
Amaç Modern motor imgeleme (MI) tabanlı beyin bilgisayar arayüz sistemleri genellikle çok
sayıda elektroensefalogram (EEG) kayıt kanalı gerektirir. Bununla birlikte, ilgisiz veya yüksek
korelasyonlu kanallar ayırt edici yeteneği azaltacak ve böylece harici cihazların kontrol
kapasitesini düşürecektir. Kanalların en uygun şekilde nasıl seçileceği ve ilişkili özelliklerin nasıl
çıkarılacağı büyük bir zorluk olmaya devam etmektedir. Bu çalışma, ilgili EEG kanallarını
seçerek iki farklı MI durumunu otomatik olarak tanımak için derin öğrenme tabanlı bir yaklaşım
önermeyi ve doğrulamayı amaçlamaktadır. Yaklaşım. Bu çalışmada, otomatik bir kanal seçimi
(ACS) stratejisinin geliştirildiği MI sınıflandırmasına katkılarına dayalı olarak EEG kanallarının
ağırlıklarını çıkarmak için seyrek bir sıkma ve uyarma modülünden yararlanıyoruz. Ayrıca,
zaman-frekans özelliklerinden tam olarak yararlanmak için bir konvolüsyonel sinir ağı öneriyoruz,
böylece hem doğruluk hem de sağlamlık açısından geleneksel sınıflandırma yöntemlerinden daha
iyi performans gösteriyoruz. Ana sonuçlar. Deneyleri, 25 sağlıklı deneğin motor komutları
oluşturmak için sağ el ve ayaklarının MI hareketlerini gerçekleştirdiği MI'da kaydedilen EEG
sinyallerini kullanarak gerçekleştiriyoruz. Ortalama %87,2 ± 5,0 (ortalama ± std) doğruluk elde
edilmiş ve son teknoloji ürünü kanal seçimi yaklaşımına göre %37,3'lük bir iyileşme sağlanmıştır.
Önemlilik. Önerilen ACS yönteminin, sabit bir kanal yapılandırması kullanan tipik yaklaşıma
kıyasla önemli ölçüde avantajlı olduğu bulunmuştur. Bu çalışma, daha az sayıda EEG kanalının
yalnızca hesaplama karmaşıklığını azaltmakla kalmayıp aynı zamanda MI sınıflandırma
performansını da iyileştirdiğini göstermektedir. Önerilen yöntem, el ve ayak hareketiyle ilgili
EEG kanallarını seçerek hasta ile robotik cihaz arasında gerçek zamanlı ve daha doğal arayüzlerin
yolunu açmaktadır.
görmüştür.
1. Giriş
Kullanıcı zihinsel durumları, bu nedenle beyin bilişsel olayları modellemek için bir
dinamiklerini doğru bir şekilde anlamayı ve farklı yinelemeli sinir ağı mimarisi
motor görüntülerini sınıflandırmayı çok zorlaştırır kullanmışlardır [36].
[22, 23]. Jirayucharoensak ve arkadaşları
MI'dan verimli bir şekilde yararlanmak için, son EEG sinyallerini kullanarak oto-
on yılda EEG sinyali özellik çıkarımı ve matik duygu tanıma için bir oto-
sınıflandırmasını geliştirmek için büyük çaba sarf kodlayıcı (AE) mimarisi
edilmiştir. Özellik çıkarma aşamasında, ortak önermişlerdir [37]. Tabar ve
uzamsal örüntü (CSP) yöntemi [24], iki tür görüntü arkadaşları EEG MI
arasındaki farklılıklara duyarlı optimum uzamsal sınıflandırması için CNN ve AE'yi
filtreler oluşturmak için en etkili yaklaşımlardan birleştirerek hibrit bir mimari
biridir. EEG özellik çıkarımı için CSP kullanan Wu önermişlerdir.
ve arkadaşları, genel veri kümesi üzerinde ortalama
%80 sınıflandırma doğruluğu elde etmiştir [25]. Bai
ve arkadaşları CSP'yi dalga ayrıştırma yöntemiyle
birlikte kullanmayı önermiş ve 4 sınıflı MI görevinde
%76'lık bir sınıflandırma doğruluğu elde etmişlerdir
[26]. Temel bileşenler analizi (PCA) ve bağımsız
bileşenler analizi (ICA) de özellik çıkarma
sürecinde yaygın olarak kullanılmaktadır. Cheng ve
arkadaşları BCI competition II ve BCI competi- tion
IV veri kümelerinde iyi performans gösteren PCA
tabanlı bir özellik çıkarma yöntemi önermişlerdir
[27]. Subasi ve arkadaşları özellik çıkarımı için
ICA kullanmış ve 128 kanallı EEG verisi üzerinde
yüksek performans elde etmişlerdir [28]. Bir diğer
popüler özellik çıkarma yaklaşımı ise zaman-
frekans ana- lizidir. Tabar ve arkadaşları, EEG
sinyallerinden zaman, frekans ve konum bilgilerini
çıkarmak için kısa zamanlı Four- ier dönüşümü
(STFT) kullanmayı önermiş ve BCI competition IV
veri seti üzerinde yüksek doğruluk elde etmişlerdir
[29]. Xu ve arkadaşlarının çalışmasında, özellik
çıkarımı için EEG sinyallerinin zaman-frekans
görüntülerini birleştiren dalgacık dönüşümü tabanlı
bir yöntem önerilmiş ve BCI yarışması II veri seti
III'ün doğruluğu diğer birçok yöntemden daha iyi
performans göstermiştir [30].
Sınıflandırma aşamasında, geleneksel makine
Destek vektör makinesi (DVM) [31], doğrusal
diskriminant analizi (LDA) [32] ve Bayesian
sınıflandırıcı [33] ile temsil edilen öğrenme
yöntemleri çeşitli araştırma çalışmalarında önemli
bir rol oynamıştır. EEG veri sınıflandırmasına
yönelik son derece yeni ve ileriye dönük bir
yaklaşım, makine öğreniminin derin öğrenme (DL)
dalında bulunmuştur. EEG tabanlı MI görevleri için
derin sinir ağlarını kullanan giderek artan sayıda
makale yayınlanmıştır. An ve arkadaşları, iki sınıflı
MI sınıflandırması için derin bir inanç ağı önermiş ve
SVM yönteminden daha iyi performans göstermiştir
[34]. Yang ve arkadaşları, EEG tabanlı MI
sınıflandırması için beş katmanlı bir evrişimli sinir
ağı (CNN) ile frekans tamamlayıcı bir özellik
haritası seçme yöntemi önermiş ve CNN'in elle
hazırlanmış özelliklere dayanmadan MI
sınıflandırması için kriminant olmayan, derin yapı
bilgilerini öğrenebildiğini göstermiştir [35].
Bashivan ve arkadaşları çok boyutlu bir özellik
çıkarma yöntemi önermiş ve EEG verilerinden
2
J. Neural Eng. 18 (2021) 016004 H Zhang ve
ikna edici performans elde etmiştir [29]. Yakın zamanda önerilen diğerleri
EEGNet, özellik çıkarma ve sınıflandırmayı tek bir işlem hattında
birleştirerek farklı bir şema benimsemiş ve çeşitli BCI
paradigmalarında en son teknoloji ürünü sonuçlar elde etmiştir [38].
EEG tabanlı BCI'nın bir diğer kilit aşaması, özellikle EEG kaydı
için yüksek yoğunluklu elektrotlar kullanıldığında kanal seçimidir
[39]. Kanal seçiminin amacı, BCI sisteminin hesaplama kaynağı
gereksinimlerini azaltmak, veri işlemeyi hızlandırmak ve
korelasyonsuz EEG kanallarının sınıflandırma performansı
üzerindeki olumsuz etkilerini azaltmak ve tüm E E G kanallarının
sınıflandırma performansını elde etmek veya aşmak için en
sınıflandırılmış bilgiye sahip az sayıda EEG kanalını seçmektir. MI
paradigması için, C3, C4 ve Cz kanalları beyin aktivitesi hakkında
çok fazla bilgi yansıtır, ancak farklı kişilerin beyin bilgilerini
yansıtmak için farklı beyin pozisyonlarına sahip olabileceğine dair
kanıtlar vardır. Kanal seçimi, filtre y ö n t e m l e r i , sarmalayıcı
yöntemler ve gömülü yöntemler dahil olmak üzere çeşitli
çalışmalarda araştırılmıştır [39-46]. Bir filtre yöntemi olarak CSP
[42], hesaplama basitliği nedeniyle birçok paradigmada en yaygın
şekilde kullanılmaktadır. Tam ve arkadaşları, %90 doğruluk elde
etmek için yalnızca sekiz kanal kullanan bir CSP-sıralı kanal seçim
algoritması önermiştir [47]. Bir sarmalayıcı yöntem olarak Yang ve
arkadaşları, sınıflandırma doğruluğunu düşürmeden kanal sayısını
azaltabilen LDA'dan t ü r e t i l e n bir kritere dayanan konuya özgü
b i r kanal seçim algoritması önermiştir [48]. Gömülü bir yöntem
olarak Lal ve arkadaşları, DVM eğitimine dayalı kanal seçimi için
özyinelemeli bir özellik eleme ve sıfır norm optimizasyon
algoritması önermiş ve başarılı sonuçlar elde etmiştir [39]. Üç kanal
seçim yöntemi arasında, filtre yöntemleri hesaplama açısından en
verimli yöntemdir ancak doğruluk tatmin edici değildir. Sarıcı
yöntemler daha iyi doğruluğa sahiptir ancak daha fazla hesaplama
zamanı gerektirir ve çok yönlülükten yoksundur. Gömülü yöntemler
düşük hesaplama kaynakları gerektirir ve aşırı uyuma karşı
dayanıklıdır. Bununla birlikte, öğrenme sürecinin gerektirdiği büyük
veri kümeleri genellikle
pratik senaryolar.
Bu makale, EEG tabanlı MI görev sınıflandırması için otomatik
kanal seçimi ve sıkma ve uyarma bloklarına sahip CNN (ACS-SE-
CNN) olarak adlandırılan yeni bir çerçeve önermektedir. EEG
sinyallerinden ilgili kanalları otomatik olarak seçebilen ve MI
eylemlerini eş zamanlı olarak sınıflandırabilen uçtan uca bir
çerçevedir, böylece en son yöntemlere kıyasla daha doğru ve sağlam
sonuçlar elde edilir. Çalışmanın ana katkıları aşağıdaki gibidir:
3
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
2.1. Konular
Bu çalışmanın denekleri 25 sağ elini kullanan
öğrencidir (20 erkek ve 13 kadın, ortalama yaş: 25.3
yıl, stand-ard sapma (STD): 1.69 yıl, aralık: 19-32
yıl) Tianjin Üniversitesi'nden alınmıştır. Hiçbirinde
nörolojik veya psikiyatrik hastalık öyküsü yoktu.
Denekler deneye katılmak için bazı kurallara
uymalıdır, örneğin, deneyden önceki iki gün içinde
denekler yeterli uyku süresini korumalı, prensip
olarak gecede 7 saatten fazla uyumalı ve veri
toplamayı olumsuz etkilememek için deneklerin
uykusuz kalmasına veya heyecanlanmasına neden
olan ilaçlar almamalıdır. Tüm katılımcılar BCI'ya
doğal olarak katılmış, bilgilendirilmiş onam vermiş
ve çalışmaları için geri ödeme yapılmıştır, çalışma
Helsinki Deklarasyonu'nun etik standartlarına
uygundur.
5
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
Şekil 1. Deneysel şema. Denekler, ilgili EEG sinyallerini üretmek için ekran talimatlarına göre ilgili eylemleri hayal etmişlerdir. (a)
Resmi bir test bloğunun MI programı, (b) bir deneğin test oturumunu yürütmesi için MI programı, (c) elektrot kanalı dağılım
haritası, (d) veri toplama ekipmanı ve kurulumu.
6
J. Neural Eng. 18 (2021) 016004 H Zhang ve
Burada β, Morlet dalgacığının zaman çözünürlüğü ile frekans diğerleri
çözünürlüğünü dengeleyen bir parametredir [50].
MI tasks are said to cause ERD (energy decrease in mu band, 7–
13 Hz) and ERS (energy increase in beta band, 13–30 Hz)
respectively in the motor cor- tex affecting EEG signals at different
electrodes. Con- sidering these facts, we propose to take advantage of
temporal, spectral, and spatial properties by convert- ing EEG signals
to image representations. The feature preparation procedure is
depicted in figure 2. Spe- cifically, for an EEG trial, we apply CWT
on every
7
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
Şekil 3. Sıkıştırma ve uyarma blokları ile önerilen konvolüsyonel sinir ağı mimarisi. Tüm katmanların boyutları da gösterilmiştir.
kanalı ile spektral bir görüntü elde edilir ve Konvolüsyon katmanında, konvolüsyon
CWT'den elde edilen görüntünün boyutu 64 × çekirdeği bir özellik haritası oluşturmak için giriş
896'dır. Daha sonra görüntüyü, özellik görüntüsü görüntüsü üzerinde bir konvolüsyon işlemi
olarak 7-30 Hz frekans aralığını ve 0,5-4,5 s zaman gerçekleştirir ve ardından bir çıkış haritası elde
aralığını içerecek şekilde kırpıyoruz. Bu nedenle, etmek için doğrusal olmayan bir aktivasyon
özellik görüntüsü boyutu 24 × 512'dir. Zaman alanı fonksiyonu f uygular. K. özellik haritası şu şekilde
özellikleri ile frekans alanı özelliklerinin eşit öneme verilir
sahip olduğunu göz önünde bulundurarak özellik
görüntüsünü bilineer enterpolasyon algoritması ile Hi,jk = f (Wk ∗ X)i,j + bk , (3)
64 × 64 boyutlu kare görüntüye dönüştürüyoruz.
Bu işlem tüm elektrotlar için tekrarlandı ve sonuçlar Burada X giriş görüntüsü, Wk ağırlık matrisi ve bk k
uzamsal bilgiyi korumak için görüntüsünün kanal = 1, 2,..., NF olmak üzere k filtresi için önyargı
eksenleri boyunca birleştirildi. değeridir. f aktivasyon fonksiyonu aşağıdaki gibi
tanımlanan bir üstel doğrusal birim (ELU)
fonksiyonu olarak seçilir
(
3.2. MI sınıflandırması için CNN a, a > 0
ELU(a) = . (4)
Özellik görüntülerini oluşturduktan sonra, α ∗ (ea−1 ), a <
konvolüsyon üzerine inşa edilen bir CNN mimarisi 0
öneriyoruz.
MI eylemlerini sınıflandırmak için yerel alıcı alanlar adlandırılan önerilen ağ çalışma
içindeki zaman-frekans bilgisini çıkaran iyon işlemi. mimarisi Şekil 3'te
Ayrıca, uzamsal bilgileri daha fazla kullanmak için, gösterilmektedir.
kanallar arasındaki karşılıklı bağımlılıkları açıkça
modelleyerek kanal bazlı özellik yanıtlarını
uyarlamalı olarak yeniden kalibre eden SE blokları
[51] CNN'e eklenir. ACS-SE-CNN olarak
8
J. Neural Eng. 18 (2021) 016004 H Zhang ve
Özellik görüntüsündeki dikey eksen boyunca tüm frekans diğerleri
bileşenlerinin ve yatay eksen boyunca zaman bileşenlerinin MI
sınıflandırması için önemli rol oynadığını unutmayın. Bu nedenle,
ilk konvolüsyon katmanı için çekirdek boyutu 4 × 4 ve adım sayısı
2 × 2 olan toplam 64 filtre kullanılır. İkinci ve üçüncü konvolüsyon
katmanları için çekirdek boyutu 4 × 4 ve adım sayısı 4 × 4 olan 64
filtre kullanılmıştır. Giriş boyutu
9
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
11
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
derin ağ kullanılarak
4. Sonuçlar
sınıflandırılmıştır. Yazarlar
kaynak kodunu yayınlamadığı
4.1. Temel değerler ve karşılaştırma kriterleri
için bu algoritmayı yeniden
Bu çalışmada, model performansı python 3.5
uyguladık.
ortamında değerlendirilmiştir. Bilgisayar donanım
(e) Özellikleri çıkarmak için tek
kaynakları arasında 32 GB RAM, 3.60 GHz Intel
bir CNN mimarisini eğiten
Core I7 CPU ve bir NVIDIA GPU (Titan Xp)
EEGNet [38]
bulunmaktadır. Önerilen ağın tasarlanması ve test
edilmesi için Keras [56] ve Tensorflow [57]
kullanılmıştır. Her bir denek için sınıflandırıcı, ağı
eğitmek ve ağ performansını test etmek için verileri
ayrı ayrı kullanmıştır. Önerilen yöntemin
performansı sınıflandırma doğruluğu metriği
kullanılarak değerlendirilmiştir. Her oturumda on
kat çapraz doğrulama kullanılmıştır, yani denemeler
rastgele on eşit büyüklükte parçaya bölünmüştür.
On parçadan tek bir parça yöntemin test edilmesi
için doğrulama verisi olarak tutulurken, kalan dokuz
parça eğitim seti olarak kullanılır. Çapraz
doğrulama işlemi on kez tekrarlanır ve on parçanın
her biri doğrulama verisi olarak tam bir kez
kullanılır. Tekrarlardan sonra, tek bir tahmin
üretmek için on sonucun ortalaması alınır [58].
Aşağıdaki yöntemler aşağıdaki amaçlar için
seçilmiştir
performans karşılaştırması.
12
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
ve MI eylemlerini eşzamanlı olarak sınıflandırır. Kaynak kodu
https://github.com/AchillesTurtle/EEGNet adresinden
indirilmiştir.
4.2. Sonuçlar
Sınıflandırma performansı karşılaştırmaları. Önerilen ACS-SE-
CNN'yi değerlendirmek için ilk olarak 25 deneğin veri kümeleri
üzerinde FBCSP, CSP-Rank, CNN-SAE ve EEGNet ile
karşılaştırdık. Deneysel s o n u ç l a r Tablo 1'de gösterilmektedir.
Denekler arası ortalamalar ve STD'ler şekil 5'te gösterilmiştir.
Ayrıca, sırasıyla orta, yüksek ve düşük doğruluğu temsil eden No.1,
No.10 ve N o . 23 olmak üzere üç tipik denek seçtik. Yöntemlerin bu
üç alt konu üzerindeki doğruluk karşılaştırmasının kutu grafiği şekil
6'da gösterilmektedir. ACS-SE-CNN yöntemimizin, ACS-SE- CNN,
FBCSP, CSP-Rank, CNN-SAE ve EEGNet'in ortalama doğruluklarının
aşağıdaki gibi olduğu diğer dört yaklaşımdan daha iyi performans
gösterdiğini gözlemliyoruz
Sırasıyla %87,2, %67,5, %63,5, %74,9 ve %84,9. Sonuçlar, ACS-SE-
CNN'nin ortalama doğruluk açısından FBCSP'ye göre %29,2, CSP-
Rank'e göre %37,3, CNN-SAE'ye göre %16,4 ve EEGNet'e göre
%2,7'lik bir iyileşme sağladığını göstermektedir. Buna ek olarak,
ACS-SE-CNN 25 deneğin tamamı için FBCSP ve CSP-Rank'ten
sürekli olarak daha iyi performans göstermektedir. CNN-SAE'den
25 deneğin 24'ünde daha iyi doğruluğa sahiptir. Ayrıca 25 deneğin
19'unda EEGNet'ten daha iyi performans gösterir. Ayrıca, ACS-SE-
CNN için ortalama doğruluk STD'si 5,0'dır ve bu değer FBCSP (std
= 7,9), CSP-Rank (std = 7,1) ve CNN-SAE'den (std = 5,7) daha
düşüktür, dolayısıyla ACS- SE-CNN'nin çapraz deneme
varyasyonuna karşı oldukça sağlam olduğunu göstermektedir.
Otomatik kanal seçimi ve SE-bloklarının öne çıkan özellikleri. ACS-
SE-CNN'de otomatik kanal seçiminin ve SE-bloklarının önemini
değerlendirmek için, performans karşılaştırması amacıyla otomatik
kanal seçim katmanının kaldırılması (SE-CNN olarak adlandırılır)
ve SE-bloklarının kaldırılması (CNN olarak adlandırılır) gibi iki
durumu ele alıyoruz. Tüm denekler için iki durumdaki sınıflandırma
doğruluklarını değerlendiriyoruz ve sonuçları tablo 1 ve şekil 5'te
gösteriyoruz. Ayrıca, No.1, No.10 ve No.23 denekleri için
sınıflandırma doğruluklarının kutu grafikleri Şekil 6'da
gösterilmiştir. İki ana parçadan herhangi b i r i n i n eksik olması ya
da değiştirilmesi durumunda performansın düştüğünü
gözlemliyoruz. ACS- SE-CNN'nin ortalama doğruluğu %87,2 ± 5,0
olup SE-CNN (%85,1 ± 5,2) ve CNN (%84,5 ± 5,6) ile
karşılaştırıldığında sırasıyla %2,5 ve %3,2 iyileşme göstermektedir.
Otomatik kanal seçiminin karakterizasyonu. Şekil 7, 17 ve 21
numaralı denekler için CSP tarafından öğrenilen 8-12 Hz frekans
bandıyla ilişkili uzamsal filtreleri ACS katmanı tarafından öğrenilen
kanal ağırlıkları ile karşılaştırmaktadır. CSP için 1. ve son filtreler
gösterilmiştir çünkü bu iki filtre kanal seçimi için en suçlayıcı
filtrelerdir [47]. ACS'nin kanal ağırlıklarının CSP filtrelerine kıyasla
daha yüksek kontrasta sahip olduğunu gözlemliyoruz.
13
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
Tablo 1. FBCSP, CSP-Rank, CNN-SAE, EEGNet, ACS-SE-CNN, SE-CNN ve CNN yöntemleri için sınıflandırma doğruluğu (%)
ve standart sapma (std) sonuçları. Her satırdaki en iyi değer kalın harflerle gösterilmiştir.
14
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
15
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
Şekil 7. (a) CSP-Rank tarafından öğrenilen 1. uzamsal filtre, (b) CSP-Rank tarafından öğrenilen son uzamsal filtre, (c)
ACS-SE-CNN'den elde edilen özellik haritası.
16
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
6. Sonuç
Teşekkür
ORCID kimlikleri
18
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
19
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
[22] Lotte F, Congedo M, L´ecuyer A, Lamarche F ve Arnaldi B 2007 EEG tabanlı
beyin-bilgisayar arayüzleri için sınıflandırma algoritmalarının gözden
geçirilmesi J. Neural Eng. 4 R1
[23] Lemm S, Blankertz B, Dickhaus T ve Müller K-R 2011 Beyin görüntüleme
için makine öğrenimine giriş Neuroimage 56 387-99
[24] Müller-Gerking J, Pfurtscheller G ve Flyvbjerg H 1999 Bir hareket
görevinde tek denemeli eeg sınıflandırması için optimum uzamsal
filtrelerin tasarlanması Clin. Neurophysiol. 110 787-98
[25] Wu S-L, Wu C-W, Pal N R, Chen C-Y, Chen S-A ve Lin C-T 2013 Motor görüntü
sınıflandırması için ortak uzamsal örüntü ve doğrusal diskriminant analizi 2013
Symp. on Computational Intelligence, Cognitive Algorithms, Mind and Brain
(CCMB) (Piscataway, NJ: IEEE) pp 146-51
[26] Bai X, Wang X, Zheng S ve Yu M 2014 ICA ve wavelet-CSP Proc. 33rd Chinese
Conf (Piscataway, NJ: IEEE) pp 7189-94'e dayalı dört sınıflı motor görüntü
eeg'nin çevrimdışı özellik çıkarımı
[27] Cheng L, Li D, Yu G, Zhang Z, Li X ve Yu S 2020 Enerji temel bileşen analizi
ve derin inanç ağlarına dayalı bir motor görüntü eeg özellik çıkarma yöntemi
IEEE Erişim 8 21453-72
[28] Subaşı A ve Gürsoy M I 2010 PCA, ICA, LDA ve destek vektör makineleri
kullanarak EEG sinyal sınıflandırması Expert Syst. Uygulama 37 8659-66
[29] Tabar Y R ve Halici U 2016 EEG motor görüntü sinyallerinin sınıflandırılması
için yeni bir derin öğrenme yaklaşımı J. Neural Eng. 14 016003
[30] Xu B, Zhang L, Song A, Wu C, Li W, Zhang D, Xu G, Li H ve Zeng H 2018
Dalgacık dönüşümü zaman-frekans görüntüsü ve evrişimsel ağ tabanlı motor
görüntü EEG sınıflandırma IEEE Access 7 6084-93
[31] Siuly S ve Li Y 2012 Beyin-bilgisayar arayüzü için çapraz korelasyon tabanlı en
küçük kare destek vektör makinesi kullanarak motor imgeleme EEG
sinyallerinin ayrılabilirliğini geliştirme IEEE Trans. Sinir Sistemleri. Rehabil. 20
526-38
[32] Fu R, Tian Y, Bao T, Meng Z ve Shi P 2019 Düzenli doğrusal diskriminant
analizine dayalı motor görüntü eeg sınıflandırmasının iyileştirilmesi J. Med.
Syst. 43 169
[33] Miao M, Zeng H, Wang A, Zhao C ve Liu F 2017 Ayrımcı uzaysal-frekans-
zamansal özellik çıkarımı ve motor görüntü eeg sınıflandırması: seyrek
regresyon ve ağırlıklı naif bayes sınıflandırıcı tabanlı bir yaklaşım J. Neurosci.
Yöntemler 278 13-24
[34] An X, Kuang D, Guo X, Zhao Y ve He L 2014 Motor görüntülerine dayalı
eeg verilerinin sınıflandırılması için bir derin öğrenme yöntemi Int. Conf. on
Intelligent Computing (Berlin:
Springer) s 203-10
[35] Yang H, Sakhavi S, Ang K K ve Guan C 2015 EEG sinyallerinin
sınıflandırılmasında çok sınıflı motor görüntülemesi için evrişimli sinir ağları ve
artırılmış CSP özelliklerinin kullanımı üzerine 2015 37th Annual Int. Conf. of
the IEEE Engineering in Medicine and Biology Society (EMBC) (Piscataway, NJ:
IEEE) pp 2620-3
[36] Bashivan P, Rish I, Yeasin M ve Codella N 2015 Derin tekrarlayan evrimsel
sinir ağları ile EEG'den temsilleri öğrenme (arXiv ön baskı arXiv:1511.06448)
[37] Jirayucharoensak S, Pan-Ngum S ve Israsena P 2014 Temel bileşen tabanlı
ortak değişken kaydırmalı derin öğrenme ağı kullanarak EEG tabanlı duygu
tanıma adaptasyonu The Scientific World J. 2014 1-10
[38] Lawhern V J, Solon A J, Waytowich N R, Gordon S M, Hung C P ve
Lance B J 2018 EEGnet: EEG tabanlı beyin-bilgisayar arayüzleri için
kompakt bir konvolüsyonel sinir ağı J. Neural Eng. 15 056013
[39] Lal T N, Schroder M, Hinterberger T, Weston J, Bogdan M, Birbaumer N ve
Scholkopf B 2004 BCI'da destek vektör kanal seçimi IEEE Trans. Biomed.
Müh.
51 1003-10
[40] Arvaneh M, Guan C, Ang K K ve Quek C 1865-1873, 2011 EEG tabanlı BCI'da
kanal seçimini ve sınıflandırma doğruluğunu optimize etme IEEE Trans.
Biyomedikal Müh. Müh. 58 1865-73
20
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri
[41] Lan T, Erdogmus D, Adami A, Pavel M ve Mathan S 2006 [50] Lin J ve Qu L 2000 Morlet dalgacığına dayalı özellik
Karşılıklı bilgi maksimizasyonu ile beyin bilgisayar çıkarımı ve mekanik arıza teşhisi için uygulanması J.
arayüzlerinde belirgin EEG kanal seçimi 2005 IEEE Ses Vib. 234 135-48
Engineering in Medicine and Biology 27th Conf [51] Hu J, Shen L ve Sun G 2018 Sıkıştırma ve uyarma ağları
(Piscataway, NJ: IEEE) pp 7064-7 Proc. IEEE Conf. on Computer Vision and Pattern
[42] Wang Y, Gao S ve Gao X 2006 Motor görüntü tabanlı Recognition pp 7132-41
beyin-bilgisayar arayüzünde kanal seçimi için ortak [52] Hannun A Y, Rajpurkar P, Haghpanahi M, Tison G H,
uzamsal desen yöntemi 2005 IEEE Mühendislik Bourn C, Turakhia M P ve Ng A Y 2019 Derin bir sinir ağı
Tıp ve Biyoloji 27. Konferansı (IEEE) pp kullanarak ambulatuvar elektrokardiyogramlarda
5392-5 kardiyolog düzeyinde aritmi tespiti ve sınıflandırması Nat.
[43] Al-Ani A ve Al-Sukker A 2006 Özellik ve kanal seçiminin Med. 25 65
EEG sınıflandırması üzerindeki etkisi 2006 Int. IEEE Tıp ve [53] Rumelhart D E, Hinton G E ve Williams R J 1986 Hataları
Biyoloji Topluluğu Mühendisliği Konferansı (Piscataway, NJ: geri yayarak temsilleri öğrenme Doğa
IEEE) pp 2171-4 323 533-6
[44] Al Moubayed N, Hasan B A S, Gan J Q, Petrovski A ve [54] Glorot X ve Bengio Y 2010 Derin ileri beslemeli sinir
McCall J 2012 Beyin-bilgisayar arayüzlerinde çok amaçlı ağlarını eğitmenin zorluğunu anlamak Proc. 13th Int.
kanal seçimi için sürekli sunum 2012 IEEE Congress on Conf. on Artificial Intelligence and Statistics pp 249-56
Evolutionary Computation (IEEE) pp 1-7 [55] Tieleman T ve Hinton G 2012 Ders 6.5-rmsprop: gradyanı
[45] Arvaneh M, Guan C, Ang K K ve Quek H C 2010 son büyüklüğünün çalışan ortalamasına bölmek
Beyin-bilgisayar arayüzünde karar ağacı kullanarak COURSERA: Neural Netw. Mach. Öğrenmek. 4 26-31
EEG kanal seçimi Proc. Second APSIPA Annual [56] Chollet F ve diğerleri 2015 Keras
Summit Conf (https://github.com/fchollet/keras)
s 225-30 [57] Abadi M ve diğerleri 2016 Tensorflow: Büyük ölçekli
[46] Yang J, Singh H, Hines E L, Schlaghecken F, Iliescu D D, makine öğrenimi için bir sistem 12. USENIX Symp. on
Leeson M S ve Stocks N G 2012 Elektroensefalogram Operating Systems Design and Implementation (OSDI 16)
sinyallerinin kanal seçimi ve sınıflandırılması: yapay sinir pp 265-83
ağı ve genetik algoritma tabanlı bir yaklaşım Artif. [58] McLachlan G J, Do K-A ve Ambroise C 2005 Analyzing
Intell. Med. 55 117-26 Microarray Gene Expression Data (New York: Wiley) p 422
[47] Tam W-K, Ke Z ve Tong K-Y 2011 Kronik inme [59] Ang K K, Chin Z Y, Wang C, Guan C ve Zhang H
hastalarında beyin-bilgisayar arayüzünde daha küçük bir 2012 BCI yarışması iv veri setleri 2a ve 2b Frontiers
EEG elektrot seti altında ortak uzamsal örüntü performansı: Neurosci üzerinde filtre bankası ortak uzamsal desen
çok oturumlu bir veri seti çalışması 2011 Annual Int. Conf. algoritması.
of the IEEE Engineering in Medicine and Biology Society 6 39
(Piscataway, NJ: IEEE) pp 6344-7 [60] Yu Z, Ma T, Fang N, Wang H, Li Z ve Fan H 2020 Faz
[48] Yang Y, Kyrgyzov O, Wiart J ve Bloch I 2013 kilitleme değeri ile modüle edilmiş yerel zamansal ortak
Motor görüntü elektroensefalografik verilerin uzamsal desenler Biomed. Sinyal Süreci. Kontrol 59
sınıflandırılması için konuya özel kanal seçimi 2013 IEEE 101882
Int. Conf. on Acoustics, Speech and Signal Processing pp [61] Reddy T K, Arora V ve Behera L 2018 Beyin-bilgisayar
1277-80 arayüzündeki uygulamalarla sinir ağları için Hjb denklemi
[49] Delorme A ve Makeig S 2004 EEGlab: bağımsız bileşen tabanlı optimal öğrenme şeması IEEE Trans.
analizi de dahil olmak üzere tek denemeli eeg Gelişmekte Olan Top. Bilgisayar. Intell. 159-70
dinamiklerinin analizi için açık kaynaklı bir araç kutusu [62] Li J, Li Z, Feng Y, Liu Y ve Shi G 2019 Beyin
J. Neurosci. Yöntemler 134 9-21 teleoperasyonuna ve derin öğrenme çarpmasına dayalı bir
insan-robot hibrit akıllı sistemin geliştirilmesi IEEE Trans.
Autom. Sci. Eng. 16 1664-74
21