Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Sinir Mühendisliği Dergisi

KAĞIT Siz de beğenebilirsiniz

Otomatik EEG kanalı seçimi ve derin öğrenme

- Kablosuz EEG sensör ağlarında göz
kırpma artefaktlarının azaltılmış bant
genişliği kanonik korelasyon analizi
ile motor görüntü tanıma kullanılarak giderilmesi Ben Somers ve
Alexander Bertrand

- Motor imgeleme BCI sistemlerinde

Bu makaleye atıfta bulunmak için: Han Zhang ve diğerleri 2021 J. Neural Eng. 18 016004 kanal seçimi için çapraz korelasyon
tabanlı diskriminant kriteri
Jianli Yu ve Zhu Liang Yu

- Giyilebilir EEG ile interiktal epileptiform

deşarjların tespiti için sensör seçimi ve
Güncellemeler ve geliştirmeler için makaleyi çevrimiçi olarak görüntüleyin. minyatürleştirme sınırları
Jonathan Dan, Mette Thrane Foged,
Benjamin Vandendriessche vd.
Bu içerik 5.23.123.97 IP adresinden 22/03/2024 tarihinde saat 13:58'de indirilmiştir.
 J. Neural Eng. 18 (2021) 016004 https://doi.org/10.1088/1741-2552/abca16

Sinir Mühendisliği Dergisi

KAĞIT

Otomatik EEG kanalı seçimi ve derin öğrenme ile motor görüntü

ALINDI
8 Temmuz 2020
tanıma
REVİZE EDİLDİ
28 Ekim 2020
Han Zhang1,3�, Xing Zhao2,3�, Zexu Wu1�, Biao Sun1� ve Ting Li2�
YAYIN IÇIN KABUL EDILDI
12 Kasım 2020 1 Elektrik ve Bilişim Mühendisliği Fakültesi, Tianjin Üniversitesi, Tianjin, Çin Halk Cumhuriyeti
YAYINLANDI
2 Biyomedikal Mühendisliği Enstitüsü, Çin Tıp Bilimleri Akademisi & Peking Union Tıp Fakültesi, Tianjin, Çin Halk
11 Şubat 2021 Cumhuriyeti
3 Her iki yazar da bu çalışmaya eşit katkıda bulunmuştur

E-posta: sunbiao@tju.edu.cn ve litinghaha9@126.com

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

Hızla büyüyen beyin bilgisayar etkileşimi (BCI)

alanı, sinirsel aktiviteyi yardımcı cihazların
kontrolüne dönüştürerek felçle ilişkili engelliliği
azaltma potansiyeline sahiptir [1-4]. Sinyal işleme
ve makine öğrenimi tekniklerindeki son gelişmeler,
BCI'nin robotik, akıllı endüstri ve eğlence gibi
alanlara uygulanmasının önünü açmıştır [5-11]. Bir
BCI sistemi, olay potansiyelleri, yavaş kortikal
potansiyeller ve sensorimotor ritim değişiklikleri
dahil olmak üzere çeşitli beyin sinyallerini tespit
etmek için kullanılabilir [12-17]. Bunlar arasında,
hareket görüntüsü (MI), EEG sinyalleri üretmek için
herhangi bir vücut hareketi olmadan özel bir eylemi
hayal etmektir [12, 13] ve kapsamlı bir şekilde kabul
 Bununla birlikte, diğer invaziv yöntemlerle
BCI alanında dikkat çekmiştir. MI-BCI, hayal edilen vücut
karşılaştırıldığında, EEG tabanlı BCI sistemleri
hareketinin kafa derisi üzerindeki farklı konumlarda sensör-imotor
doğası gereği durağan değildir, sınırlı sinyal-gürültü
ritimlerinde sirkülasyona bağlı olay-ilişkili senkronizasyon (ERS)
oranlarına sahiptir ve hacim iletkeni etkileri
veya olay-ilişkili desenkronizasyon (ERD) meydana getirdiği
nedeniyle zayıf uzamsal çözünürlükten muzdariptir.
gerçeği üzerine kurulmuştur. Bu fenomenler çeşitli beyin aktivitesi
Bu etkiler, değişen elektrot empedansları, kas
ölçüm teknikleri aracılığıyla deneysel olarak gözlemlenebilir, bunlar
aktiviteleri, göz hareketleri ve EEG'deki
arasında elektroensefalografi (EEG) pratik, invazif olmayan ve
değişiklikler nedeniyle daha da kötüleşmektedir.
kullanımı kolay olduğu için en yaygın kullanılanıdır [18-21].

© 2021 IOP Publishing Ltd

J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri

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:

(a) Sınıflandırıcı olarak bir CNN oluşturulmuştur. Kanal yerine

zaman ekseni ve frekans ekseni üzerinde çalışan bir 2D
konvolüsyon katmanı kullanılarak, zaman ekseni ve frekans
ekseni boyunca ERS ve ERD fenomenlerinden etkili bir
şekilde yararlanılır.

3
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri

(b) Konvolüsyonel katmanlara sıkma ve uyarma oluşmuştur. Bir eğitim oturumu

(SE) blokları eklenerek, EEG kanalları yaklaşık 15 dakika sürmüş ve bir
arasındaki özellikler arası bağımlılıklar test oturumu sekiz resmi test veri
uyarlamalı olarak yeniden kalibre edilebilir. bloğunu içermiştir
Bu nedenle, sınıflandırma doğruluğu
minimum ek hesaplama maliyeti ile daha da
geliştirilecektir.
(c) Kanalla ilgili SE bloğunu seyrek düzenleme ile
optimize ederek, ilgili kanallar ağ çalışması
eğitim prosedürü sırasında otomatik olarak
seçilebilir.
(d) Bu makalede kullanılan kaynak kodu ve
deneysel veri setleri kamuya açık hale
getirilmiştir. Veri setlerini yayınlayarak ve
bilimsel tartışma ve işbirliği için bir havuz
sağlayarak, BCI topluluğuna bilimsel getiriyi
en üst düzeye çıkarmayı amaçlıyoruz.

Bu makalenin geri kalanı şu şekilde

düzenlenmiştir: Bölüm 2'de deneysel kurulum
tanıtılmaktadır. Bölüm 3'te önerilen yöntemin
detayları açıklanmaktadır. Bölüm 4'te deneysel
sonuçlar sunulmakta ve son teknoloji ürünü
yöntemlerle karşılaştırılmaktadır. Tartışmalar 5.
bölümde verilmiştir. Bölüm 6 makaleyi
sonlandırmaktadır.

2. Deneysel protokol ve kurulum

Önerilen yöntemimizi değerlendirmek üzere değerli

ham EEG sinyalleri elde etmek amacıyla, veri
toplamak için bir MI-BCI deneyi tasarladık. Veri
toplama deneyinde zaman faktörü ve deneklerin
işbirliği yapma istekliliği de dahil olmak üzere
çeşitli faktörleri tamamen göz önünde bulundurduk.
Bu bölümde, ilk olarak deneklerin detaylarını,
ardından deney protokolünü ve veri toplama ve ön
işlemeyi tanıtıyoruz.

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.

2.2. Deney protokolü

Deneysel şema şekil 1'de gösterilmiştir. Bir deney,
bir eğitim oturumu ve bir test oturumundan
4
 J. Neural Eng. 18 (2021) 016004 H Zhang ve
Tümü 1 gün içinde tamamlanmış ve bu süre boyunca katılımcılar diğerleri
ekranın önündeki koltukta rahatça oturmuşlardır. Eğitim oturumu
katılımcıları harekete ve deneysel sürece alıştırmak içindi ve
ardından test oturumuna geçildi. Şekil 1(a)'da gösterildiği gibi, 385
saniye süren her bir resmi test bloğunda, katılımcılardan sağ el ve
ayakların hareketini geri bildirim olmaksızın hayal etmeleri istenmiş
ve her blokta 40 deneme (sağ el için 20 ve ayaklar için 20)
yapılmıştır. Her bir test denemesi 7 saniye sürmüştür. Resmi bir test
bloğunun başında, ekranın ortasında deneyin başlamak üzere
olduğunu gösteren yeşil bir çarpı işareti belirmiştir. Beş saniye sonra,
katılımcıların ne tür bir motor imgeleme yapması gerektiğini
gösteren resimli uyaran 7 saniye boyunca belirdi. Uyaran 7 saniye
sonra kayboldu ve ekran 2,5 saniye sürecek şekilde tamamen karardı.
Katılımcılardan, kür göründükten hemen sonra ilgili eylemi hayal
etmeleri istendi (sağ elle topu itmek ve aynı anda her iki ayakla yere
vurmak). İmgelemeden sonraki 7 saniye içinde katılımcılardan göz ve
kas hareketi artefaktlarından kaçınmaları ve hareketsiz bir
pozisyonda kalmaları istenmiştir.

2.3. Veri toplama ve ön işleme

EEG veri toplama için Neuroscan sistemi kullanılmıştır ve sinyal
kayıt cihazı 64 Ag/AgCl kafa d e r i s i elektrotuna sahiptir ve ulusal
standart 10/20 sistemine göre düzenlenmiştir. Deneyde benimsenen
örnekleme frekansı 1000 Hz'dir ve daha sonra gerektiğinde alt
örnekleme yapılabilir. Veri toplama deneyinden önce, EEG
elektrodunun cilt empedansını 5 kilo ohm'un altına ayarlamak için
kon- düktif yapıştırıcı kullandık. 64 elektrottan iki referans elektrot
ve göz hareketlerini izleyen iki elektrot hariç hepsi veri analizi için
kullanılabilir. Ayrıca, diğer eylemlerin ve beyin faaliyetlerinin veri
toplamayı etkilemesini önlemek için tüm deneklere deneye
konsantre olmalarını tavsiye ettik. Ham EEG sinyallerinin ön
işlemesi için EEGLAB araç kutusu kullanılmıştır [49]. Ön işleme
adımları yeniden referans, artefakt düzeltme, filtre, epok, taban çizgisi
düzeltme, artefakt reddetme ve ortalamayı içeriyordu. Özellikle, EEG
sinyalini 128 Hz'e düşürmek sonraki veri analizi için faydalıdır ve
bilgisayar kaynaklarına olan ihtiyacı azaltmaya yardımcı olur. EEG
sinyal frekansının gürültüsü 1 Hz'den düşük olduğundan ve 50 Hz
güç frekansı gürültüsü 1-50 H z bant geçiren filtreleme gerektirir.
Bundan sonra, EOG ile yüksek korelasyonlu bileşenleri reddederek
göz kırpma artefaktlarını veri setlerinden çıkarmak için ICA
uygulanır. Önceden ele geçirilen EEG sinyalleri için 60 kanal vardı.
Ardından, sinyalleri üst üste binmeyen 7 saniyelik deneme örneklerine
böldük. Denek başına 320 deneme vardır ve bunların her bir sınıf
için sayısı
160.

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.

3. Yöntemler deneyler yoluyla toplanır ve sig- nal özellikleri daha

sezgisel olarak gösterir, bu da sonraki çalışma için
EEG sinyallerinin zamansal bağımlılığını ve faydalıdır. Bir x(t) sinyalinin a ∈ R+ ölçeğindeki ve
uzamsal ilişkisini tam olarak hesaba katmak, uygun b ∈ R öteleme değerindeki CWT'si aşağıdaki
bir sinir ağı oluşturmamıza yardımcı olabilir. integral ile ifade edilir
Modelin performansını iyileştirmek ve daha
açıklayıcı hale getirmek için, ˆ b
1 ∞
t-
rasyonel bilgiyi, içsel dağılımına göre farklı Xw (a, b) = |a|1/2 x(t)ψ dt, (1)
boyutlarda kullanırız. -∞ a
EEG sinyali. Zaman-frekans analizi, sinyalleri Burada ψ(t) hem zaman alanında hem de frekans
zamansal ve spektral alanlarda eşzamanlı olarak alanında ana dalgacık olarak adlandırılan sürekli bir
analiz ederek durağan olmayan sinyaller hakkında fonksiyondur ve üst çizgi karmaşık eşlenik işlemini
kapsamlı bilgiler ortaya çıkarabildiği için son temsil eder. Bu çalışmada, Morlet dalgacık
yıllarda MI-EEG uygulamalarında gelişmiştir. fonksiyonunu aşağıdaki gibi tanımlanan ψ(t) olarak
Birçokları arasında seçiyoruz
popüler geleneksel zaman-frekans gösterimi
β2t2
yöntemlerinden biri olan dalgacık dönüşümü, ψ(t) = exp - 2 cos(πt), (2)
basitliği ve yüksek verimliliği nedeniyle en yaygın
kullanılanıdır. İçinde
Bu bölümde, ilk olarak dalgacık dönüşümü tabanlı sinyallerini iki boyutlu zaman-
özellik hazırlama prosedürü tanıtılacak, ardından frekans alanı sinyallerine
sinir ağı modelinin mimarisi ve öğrenme süreci dönüştürebilir.
sunulacak ve son olarak da modelin uygulama
detayları verilecektir.

3.1. Dalgacık dönüşümü tabanlı özellik hazırlama

Özellik hazırlama için sürekli dalgacık dönüşümü
(CWT) kullanılır. CWT, tek boyutlu zaman alanı

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 2. Sürekli dalgacık dönüşümü ile özellik hazırlama prosedürü.

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
Şekil 4. Bir vanilya sıkma ve uyarma bloğunun mimarisi.
(yükseklik × genişlik × kanal) 64 × 64 ×
60'tır. Birinci, ikinci ve üçüncü evrişimsel
katmanların boyutları sırasıyla 32 × 32 × 64, 8 × 8 ×
64 ve 4 × 4 × 64'tür. ACS-SE- CNN'deki son
katman, MI sınıfını temsil eden bir çıkışa sahip tam
bağlantılı (FC) bir katmandır.
3.3. Seyrek sıkma ve uyarma blokları ile
otomatik kanal seçimi
Otomatik kanal seçimi görevi gerçekleştirilir-
seyrek bir SE'ye dayanan bir ACS katmanı
kullanılarak ted
Şekil 3'te gösterildiği gibi girişten sonra blok. ACS
katmanının yanı sıra, kanal ekseni boyunca özellik
yeniden kalibrasyonu gerçekleştirmek için üç SE
bloğu bulunmaktadır. Bir SE bloğunun şeması şekil
4'te gösterilmiştir. Bir giriş özellik haritası HH×W×C
için, kanal bazında özellik yanıtlarının küresel
dağılımını içeren bir kanal tanımlayıcısı üretmek
üzere özellik haritasını zaman frekans
boyutları H × W boyunca toplamak için önce bir
sıkıştırma işlemi kullanılır. Bu, aşağıdaki gibi kanal
bazında istatistikler oluşturmak için küresel ortalama
havuzlama kullanılarak elde edilir
1 Σ
H WΣ
z= , c = 1, 2,..., C. (5)
H
i,j,c
c H× W
i=1 j=1
Bundan sonra, öğrenmek için bir uyarma işlemi
benimsenir
Her kanal için örneğe özgü aktivasyonlar. Son
olarak, H özellik haritaları kanal boyutu boyunca
ölçeklendirilerek SE bloğunun bir çıktısı oluşturulur
ve bu çıktı daha sonra doğrudan sonraki katmanlara
beslenebilir, örn.
˜ ·,·,c = sc - H·,·,c , c = 1, 2,..., C,
H (6)
Burada s ∈ RC×1 ile elde edilen ölçek vektörüdür.
s = σ W2 δ(W1 z) , (7)
Burada σ(-) ve δ(-) sırasıyla Sigmoid fonksiyonu ve
C
ReLU fonksiyonunu gösterir. W1 ∈ Rr × C ve W2 ∈
RC×C
10
H Zhang ve
diğerleri
seyrek düzenlileştirme, ACS katmanı, çıktının çoğu
katsayısını sıfıra kısıtlayarak kanalları otomatik
olarak seçme yeteneğine sahiptir. Buna göre, sıfır
olmayan katsayılara karşılık gelen kanallar MI
sınıflandırması için tutulur.
3.4. Kayıp fonksiyonu ve uygulama
ACS-SE-CNN'nin uçtan uca bir mimari olduğunu
unutmayın. Bu nedenle, parametreler geri yayılım
algoritması kullanılarak öğrenilebilir. T örnekli
etiketli nbir eğitim setimiz Dtrain olduğunu ,
varsayalım, yani Dtrain = {X(1) , l(1) }, {X(2) , l (2)
},..., {X(T) , l(T) } .
Eğitim seti ağa beslenir ve kayıp, ağ çıktısı ile
istenen çıktı arasındaki farka göre hesaplanır.
Ağın kayıp fonksiyonu iki bölümden
oluşmaktadır; birincisi ikili sınıflandırma görevinin
kaybını gösteren ikili çapraz entropidir
T h i
1Σ l(t) logˆl(t) - (1 - l(t) ) log(1 -ˆl(t) ) ,
LBCE =
T
t=1
(8)
Buradaˆl(t) t'inci örneğin ACS-SE-CNN çıktısını
gösterir. İkinci kısım ise kanal ağırlıklarının
seyrekliğidir s ACS 0 . Kayıp konveks olmadığından
ve optimize edilmesi NP- zor olduğundan, konveks
bir gevşemeyi dikkate almak standarttır
LSparse = sACS 1. (9)
Bu nedenle, ağın toplam kaybı
LTotal = LBCE + λLSparse, (10)
burada λ bir düzenleme parametresidir.
ACS-SE-CNN mimarisinde sağlam
normalleştirme stratejisini [52] kullanıyoruz. Bu
nedenle, biz seçiyoruz
Ağı optimize etmek ve ağ yakınsamasını
hızlandırmak için BN katmanlarını birden çok kez
kullanmak. Konvolüsyon ker- nelinin alıcı alanını
genişletmek için, sinir ağı modelinin doğrusal
olmayan uyum yeteneğini geliştirirken, birlikte
yığılmış birden fazla konvolüsyon katmanı
kullanıyoruz. Klasik geri yayılım algoritması,
modelin sınıflandırma performansını iyileştirmek
amacıyla sinir ağı modelinin ağırlıklarını
güncellemek için bir öğrenme algoritması olarak
kullanılmaktadır [53].
Makul parametre başlatma model performansını
artırabilir. Konvolüsyonel katmanın ağırlıklarını
başlatmak için [54]'te bahsedilen glorot uniform
initial-izer'ı kullanıyoruz. RMSprop [55] optimize
edicisini 0,001 öğrenme oranı ve diğer parametreler
ile benimsiyoruz.
J. Neural Eng. 18 (2021) 016004 H Zhang ve
rile iki FC katmanının ağırlık matrisleridir. varsayılan parametreler. Geriye yayılma süreci
diğerleri
azaltma oranı r. Bu çalışmada r = 2 olarak sırasında, veri sızıntısını önlemek için sonraki eğitim
belirlenmiştir. sürecinde kullanılmayan ACS katmanı tarafından
MI eylemleriyle en çok korelasyon gösteren hesaplanan kanal ağırlıkları ile en uygun model elde
EEG kanallarını seçmek için, ACS Katmanının edilir.
çıktısını seyrek olacak şekilde kısıtladık, yani s ACS
0 < C.

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.

(a) Önerilen ACS-SE-CNN yöntemi. Görüntüler

ilk olarak bölüm 3.1'de açıklanan CWT
kullanılarak 7-30 Hz frekans bandında
çıkarılmış, ardından MI görevleri bölüm 3.2'de
önerilen evrişimsel ağ kullanılarak
sınıflandırılmıştır. Ağ, 500 epok için 20'ye eşit
parti boyutu ile mini parti eğitim yöntemi
kullanılarak eğitilmiştir.
(b) Filtre bankası ortak uzamsal örüntü
algoritması (FBCSP) yöntemi [59]. BCI
yarışması IV'te kazanan algoritma olarak,
EEG ölçümlerinin bant geçiren filtrelemesi
için kriminatif özneye özgü frekans
aralıklarının otonom seçimini gerçekleştirerek
CSP algoritmasının performansını artırır.
Kaynak kodu
https://github.com/stupiddogger/FBCSP
adresinden indirilebilir.
(c) MI sınıflandırması için bir kanal seçim
yöntemi olan CSP-Rank [47]. Bir CSP filtresi
eğitilmiş ve daha sonra EEG sinyallerine
uygulanmış ve ardından uzamsal olarak
filtrelenmiş sinyalin log varyansı üzerinde bir
Fisher'ın doğrusal ayırıcısı eğitilmiştir. Eğitilen
uzamsal filtre ve sınıflandırıcı daha sonra MI
eylemlerini sınıflandırmak için kullanılmıştır.
(d) Yığılmış oto kodlayıcılara sahip CNN'ler
(CNN-SAE) [29]. Geleneksel STFT, EEG
sinyallerinden 6-13 ve 17-30 Hz'lik iki frekans
bandı içindeki zaman-frekans özelliklerini
çıkarmak için kullanılmıştır. Daha sonra MI
görevleri CNN'ler ve AE'ler birleştirilerek

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.

Doğruluk % (ortalama ± std)

Konu FBCSP CSP-Rank CNN-SAE EEGNet ACS-SE-CNN SE-CNN CNN

No.1 66.3±8.1 65.9±9.0 78.8±4.8 85.6±4.0 87.2±5.3 84.7±6.8 85.3±6.4

No.2 87.8±7.9 80.5±6.3 79.7±5.3 98.8±1.8 96.3±3.5 93.8±2.9 91.8±4.3
No.3 79.1±8.4 72.2±6.9 73.8±7.7 95.3±2.1 92.5±5.3 91.6±4.6 89.4±5.1
No.4 80.8±3.9 63.2±7.4 90.6±8.2 96.5±5.0 81.1±11.3 80.8±10.9 79.7±13.7
No.5 81.5±7.5 78.1±6.7 73.0±5.9 93.7±4.2 94.3±3.9 93.4±5.9 93.1±4.8
No.6 50.7±7.6 59.0±5.4 71.3±4.6 73.2±6.4 74.7±4.1 75.0±5.4 70.9±5.0
No.7 53.3±9.5 54.9±8.5 71.5±5.3 71.8±5.2 73.1±7.5 72.4±4.7 70.9±4.5
No.8 75.7±7.8 62.5±5.9 74.2±5.7 90.5±4.2 93.4±3.5 89.6±3.1 90.2±1.6
No.9 57.4±10.7 56.7±7.1 73.1±4.7 76.6±4.3 68.6±6.5 70.5±3.5 68.2±6.5
No.10 73.5±9.4 61.5±8.5 73.2±3.2 92.2±3.8 100.0±0.0 95.7±4.1 97.2±3.6
No.11 74.2±8.5 67.6±7.6 73.4±6.6 87.9±5.8 96.1±2.5 87.6±5.3 87.9±4.3
No.12 71.3±6.6 57.4±9.8 75.8±5.4 90.5±7.9 96.5±5.9 93.1±6.2 92.1±6.2
No.13 64.2±9.7 63.8±7.9 76.2±4.1 81.7±5.2 90.0±6.8 87.5±6.6 85.3±8.1
No.14 60.6±8.2 61.6±6.5 66.6±6.1 69.1±5.8 73.8±6.4 73.1±5.1 73.8±7.4
No.15 58.7±7.9 58.7±5.6 72.3±5.5 74.0±6.2 73.3±4.7 72.0±4.3 70.0±4.9
No.16 73.4±7.7 70.3±5.3 93.8±11.4 95.3±7.8 95.6±8.9 94.1±11.5 93.8±11.8
No.17 91.9±4.1 83.5±3.4 95.9±5.4 98.1±5.6 94.3±7.5 93.1±8.5 93.1±7.5
No.18 55.3±8.0 54.7±7.9 65.7±6.0 67.0±5.2 74.2±3.1 72.3±4.5 71.1±4.8
No.19 60.9±10.8 65.0±7.0 81.9±5.7 88.8±4.9 92.8±3.7 89.4±2.5 91.6±2.4
No.20 68.1±10.5 61.3±9.2 73.4±2.5 91.6±6.4 96.3±4.1 94.1±3.5 93.8±4.6
No.21 59.1±8.7 56.3±9.2 64.1±4.7 96.6±2.2 99.7±0.9 97.2±2.9 96.9±2.8
No.22 51.6±4.9 58.4±4.6 68.1±5.7 75.0±7.4 90.6±5.0 86.9±4.1 89.1±3.8
No.23 56.6±7.7 50.6±3.6 68.8±5.8 65.9±6.0 68.1±6.5 66.6±4.9 64.7±5.9
No.24 77.1±7.0 65.6±9.6 67.8±4.4 97.7±2.1 98.7±2.1 98.1±1.6 97.4±2.4
No.25 59.6±5.8 57.8±9.2 69.7±7.0 68.4±5.7 77.9±6.9 75.1±7.0 74.1±7.2
Ortalama 67.5±7.9 63.5±7.1 74.9±5.7 84.9±5.0 87.2±5.0 85.1±5.2 84.5±5.6

Şekil 5. ACS-SE-CNN, SE-CNN, CNN, EEGNet,

CNN-SAE'nin denekler arası ortalamaları ve standart
sapmaları, Şekil 6. ACS-SE-CNN, SE-CNN, CNN, EEGNet, CNN-
FBCSP ve CSP-rank. SAE, FBCSP ve CSP-rank'ın doğruluk karşılaştırmasının
boxplot'u
No.1, No.10 ve No.23 denekleri için. Her kutunun
ortasındaki işaret medyana, kutunun
Ayrıca, kenarları 25. vedoğruluğu
sınıflandırma 75.
ACS ile seçilen kanallar CSP ile seçilenlerden daha yüzdelik dilimlere, bıyıklar aykırı değer olarak kabul
ayırt edicidir. ile kanal sayısı arasındaki ilişkiyi
edilmeyen en uç veri noktalarına kadar uzanır ve aykırı de
Kanal seçim kabiliyeti karşılaştırması. Önerilen değerlendiriyoruz. Bu
değerler ayrı ayrı siyah noktalar olarak çizilir.

yöntemin kanal seçme kabiliyetini değerlendirmek

için ACS ve CSP'nin sınıflandırma doğruluklarını
karşılaştırdık. Her iki yöntem için de önce en büyük
sekiz ağırlığa sahip kanallar seçilir, ardından
özellikler çıkarılır ve CNN kullanılarak
sınıflandırılır. Tablo 2 ve şekil 8'deki sonuçlar ACS
ve CSP'nin doğruluklarını, denekler arası
ortalamalarını ve STD'lerini göstermektedir. Ayrıca,
şekil 9'da 1, 10 ve 23 numaralı denekler için ACS ve
CSP'nin doğruluk karşılaştırmasının boxplot'u
gösterilmektedir. ACS'nin ortalama doğruluğunun
%87,5 ± 5,0 olduğunu ve %3,3'lük bir iyileşme
gösterdiğini gözlemliyoruz.
CSP ile karşılaştırıldığında (%84,7 ± 5,9).

14
 J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri

ACS-SE-CNN'nin 1, 10 ve 23 numaralı denekler üzerindeki

sonuçları Şekil 10'da gösterilmiştir. Kanal sayısı arttıkça, alt konu 1
ve konu 10'un sınıflandırma doğrulukları daha iyi hale gelmektedir.
Ayrıca, kanal sayısı >3 olduğunda, ACS-SE-CNN'nin sınıflandırma
doğrulukları tüm kanallar için olanlardan daha iyidir, bu da ACS'nin
yüksek kanal seçim kabiliyetini gösterir. Bununla birlikte, kanal
sayısının artmasıyla, 23 numaralı deneğin sınıflandırma doğruluğu
neredeyse değişmeden kalır ve tüm kanallarınkiyle karşılaştırılabilir.
Bu durum, 23 numaralı deneğin verilerinin yoğun gürültü ile
kirlendiğini ya da deneğinin deneylerden önce iyi eğitilmediğini
göstermektedir.

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.

Tablo 2. CSP ve ACS kullanılarak seçilen kanallar için sınıflandırma

doğruluğu (%) ve standart sapma (std) sonuçları. Her satırdaki en iyi
değer kalın harflerle gösterilmiştir.

Doğruluk % (ortalama ± std)

Konu CSP ACS

No.1 83.8±7.5 88.4±4.6

No.2 94.3±3.3 97.1±3.3
No.3 90.6±5.2 95.0±5.1
No.4 78.7±12.4 80.1±11.9
No.5 92.1±4.3 95.0±4.2
No.6 74.3±6.0 75.4±5.3 Şekil 8. ACS ve CSP'nin denekler arası ortalamaları ve
No.7 74.6±6.4 75.2±3.9 standart sapmaları. T-testi sonuçları p-değeri ile
No.8 89.9±5.0 94.0±3.6 gösterilmiştir.
No.9 71.8±6.2 73.0±7.9
No.10 92.9±6.5 100.0±0.0
No.11 88.3±6.1 96.1±3.5
No.12 96.1±5.6 96.5±3.9
No.13 78.8±7.4 90.9±5.1
No.14 72.2±7.3 71.9±6.8
No.15 70.0±6.4 73.0±7.2
No.16 94.7±10.3 95.6±9.2
No.17 96.2±4.6 90.8±8.0
No.18 72.9±6.0 73.0±6.0
No.19 81.6±4.5 91.9±5.3
No.20 93.4±4.7 96.6±3.3
No.21 95.9±2.8 99.1±2.0 Şekil 9. No.1, No.10 ve No.23 denekleri için ACS ve
No.22 90.3±4.5 92.5±3.7 CSP'nin doğruluk karşılaştırmasının kutu grafiği.
No.23 67.8±5.6 65.3±4.1
No.24 97.7±2.5 99.4±1.3
No.25 79.8±6.0 81.0±6.2 yönleri vardır. İlk olarak, kanal ağırlıklarının
Ortalama 84.7±5.9 87.5±5.0 seyrekliğini artırarak, ACS-SE-CNN ayırt edici
kanalları otomatik olarak seçme kabiliyeti elde eder.
İkinci olarak, CNN'leri kullanarak özellikleri
5. Tartışma derinlemesine kullanan ACS-SE-CNN, hem
doğruluk hem de sağlamlık açısından diğer
MI-EEG sınıflandırması üzerine önceki çalışmalarla sınıflandırma yöntemlerinden daha iyi performans
karşılaştırıldığında, önerilen ACS-SE-CNN yöntemi gösterir. Özellikle, SE blokları tüm performansı daha
iki alanda rekabetçi veya üstün performans da iyileştirerek MI-BCI senaryoları için cazip bir
göstermektedir sınıflandırma çözümü sunar.

16
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri

İlkinde bir araya getirilen SE blokları, girdiye bağlı

olarak içsel dinamikler sunarak özellik ayırt
edilebilirliğini artırmaya ve ağ performansını
iyileştirmeye yardımcı olur.

olarak hareket ettiği

Şekil 10. Denek 1, denek 10 ve denek 23'ün ACS-SE-CNN

yöntemi için sınıflandırma doğruluğu ile kanal sayısı
arasındaki ilişki. Tüm kanallarla sınıflandırma doğrulukları
kesikli yatay çizgilerle işaretlenmiştir.

5.1. SE-blokları neden çalışır?

Birden fazla uzamsal filtreye sahip bir evrişimsel
katmanda, çıktı tüm kanallar arasında bir toplamla
üretilir ve kanal bağımlılıkları filtrelere zorunlu
olarak gömülüdür, ancak bu bağımlılıklar filtreler
tarafından kapsanan uzamsal korelasyonla
karışmıştır. Bununla birlikte, SE blokları ekleyerek,
evrişimsel katmanlar filtre yanıtlarını yeniden
kalibre etmek ve giriş için daha verimli bir filtre
oluşturmak için kanal bağımlılıklarını değiştirme
yeteneğine sahiptir. Bu, bilgilendirici özelliklere
olan hassasiyeti artırır, böylece alt sıralı dönüşümler
için kullanılabilirler ve daha az kullanışlı olanları
bastırabilirler. Bu hedefe SE bloklarının iki bölümü,
yani sırasıyla sıkıştırma ve uyarma ile ulaşılır.
Konvolüsyonel bir katmanda, uzamsal filtrelerin her
biri yerel bir alıcı alanla çalışır ve her bir çıktı
örneğinin bu bölge dışındaki bağlamsal bilgileri
kullanmasını engeller. Bu sorunu hafifletmek ve
kanal bağımlılıklarından faydalanmak için
sıkıştırma kısmı, (5)'te gösterildiği gibi çıktıyı
uzamsal boyutlara küçülterek kanal bazında
istatistikler oluşturmak için küresel ortalama
havuzlama kullanır. Buna göre, çıktı, istatistikleri
tüm girdi için anlamlı olan yerel tanımlayıcıların bir
toplamı olarak yorumlanabilir. Sıkıştırma kısmında
toplanan bilgileri kullanmak ve kanal bazlı
bağımlılıkları tam olarak yakalamak için, uyarma
kısmı (7)'de gösterildiği gibi iki FC katmanı, yani
bir boyut azaltma katmanı ve bir boyut artırma
katmanı ile bir darboğaz oluşturarak bir geçitleme
mekanizması kullanır. Bu geçitleme
m e k a n iz m a s ı n ı kullanarak, uyarma
kısmı kanallar arasındaki doğrusal olmayan
etkileşimleri öğrenebilmektedir. Buna ek olarak,
birden fazla kanalın vurgulanmasına izin
verildiğinde karşılıklı olarak münhasır olmayan bir
ilişki öğrenilebilir. Sıkıştırma ve uyarma kısımlarını
birleştirerek, ikincisindeki aktivasyonların kanal-
bilge istatistiklerine uyarlanmış kanal ağırlıkları
17
 J. Neural Eng. 18 (2021) 016004 H Zhang ve
5.2. Zorluklar ve gelecekteki çalışmalar diğerleri
Gelecekteki çalışmaları motive eden birçok devam eden zorluk ve
umut verici yön vardır. İlk olarak, katman seçimi ve ağ yapısı
optimizasyonu dahil olmak üzere DL ile ilgili hala çeşitli
sınırlamalar vardır. Daha da endişe verici olanı, DL mimarileri MI-
EEG veri formatlarının ötesine geçme yeteneği sınırlı olan sofistike
enterpolasyon motorları olarak görülebileceğinden, modelin şüpheli
genelleştirilebilirliği ve yorumlanabilirliğidir. Son olarak, bu
yöntemi gerçek zamanlı, çevrimiçi MI-BCI uygulamalarına
genişletmek önemlidir. Son zamanlarda, faz tabanlı özellikler ve
dinamik programlama tabanlı derin ağ sınıflandırıcıları gerçek
zamanlı MI-BCI uygulamalarında önem kazanmaktadır [60-62]. Bu
yöntemler gelecekte çalışmamızı geliştirmenin yollarına ışık
tutmaktadır.

6. Sonuç

Bu makale, MI-EEG sınıflandırması için ACS- SE-CNN olarak

adlandırılan bir DL çerçevesi önermektedir. MI sınıflandırmasına
katkılarına göre EEG kanallarının ağırlıklarını çıkarmak için
otomatik bir kanal seçim stratejisi geliştirilmiştir. Ayrıca, MI-EEG
denemelerini sınıflandırmak için SE bloklu bir CNN önerilmiştir.
Sağlıklı 25 denek üzerinde yapılan deneysel sonuçlar, önerilen
yöntemin yüksek sınıflandırma doğruluğuna ve sağlamlığına sahip
olduğunu göstermektedir.

Teşekkür

Bu çalışma Çin Ulusal Doğa Bilimleri Vakfı (No. 61971303,

81971660, 61675039), CAMS Tıp Bilimleri İnovasyon Fonu (No.
2016-I2M-3-023), Pekin Büyük Bilim ve Teknoloji projesi (No.
Z191100010618004), Tianjin Özel Şube Planı Üst Düzey İnovasyon
Ekibi Hibesi ve Tianjin Doğa Bilimleri Vakfı Anahtar Projeleri
(18JCZDJC32700) tarafından desteklenmiştir.
Yazarlar, bu araştırma için kullanılan Titan XP GPU'nun
bağışlanmasıyla NVIDIA Corporation'ın desteğini minnetle kabul
etmektedir.

ORCID kimlikleri

Han Zhang � https://orcid.org/0000-0003-1109- 4738

Xing Zhao � https://orcid.org/0000-0002-4568- 5512
Zexu Wu � https://orcid.org/0000-0001-7609-9762 Biao Sun �
https://orcid.org/0000-0002-4124-9350 Ting Li �
https://orcid.org/0000-0001-5145-3024

18
J. Neural Eng. 18 (2021) 016004 H Zhang ve
diğerleri

yüksek performanslı beyin-

Referanslar bilgisayar arayüzlerinin
geliştirilmesinde işbirlikçi
[1] Chaudhary U, Birbaumer N ve Ramos-Murguialday A yaklaşım: hayvan modellerinden
2016 İletişim ve rehabilitasyon için beyin-bilgisayar insan kontrolüne çeviri Clin. Trans.
arayüzleri Nat. Rev. Neurol. 12 513 Sci. 7 52-9
[2] Lebedev M A ve Nicolelis M A 2017 Beyin-makine [21] Anderson K D 2004 İyileşmeyi
arayüzleri: temel bilimden nöroprotezlere ve hedeflemek: omurilik yaralanmalı
nörorehabilitasyona Physiol. Rev. 97 767-837 popülasyonun öncelikleri J.
[3] Pandarinath C, Nuyujukian P, Blabe C H, Sorice B L, Saab J, Neurotrauma 21 1371-83
Willett F R, Hochberg L R, Shenoy K V ve Henderson J M
2017 İntrakortikal bir beyin-bilgisayar arayüzü kullanarak
felçli kişilerle yüksek performanslı iletişim Elife 6 e18554
[4] Wolpaw J R, Birbaumer N, McFarland D J, Pfurtscheller G
ve Vaughan T M 2002 İletişim ve kontrol için beyin-
bilgisayar arayüzleri Clin. Neurophysiol.
113 767-91
[5] Ajiboye A B ve diğerleri 2017 Tetraplejili bir kişide beyin
kontrollü kas stimülasyonu yoluyla uzanma ve kavrama
hareketlerinin restorasyonu: bir kavram kanıtı gösterisi The
Lancet 389 1821-30
[6] Jarosiewicz B ve diğerleri 2015 Tetraplejili kişilerin
kendi kendini kalibre eden intrakortikal bir cihaz
kullanarak sanal yazı yazması
beyin-bilgisayar arayüzü Sci. Trans. Med.
7 313ra179-313ra179
[7] Hochberg L R ve diğerleri 2012 Tetraplejili kişilerin
nöral kontrollü robotik bir kol kullanarak ulaşması ve
kavraması Nature 485 372-5
[8] Simeral J, Kim S-P, Black M, Donoghue J ve Hochberg L
2011 Bir intrakortikal mikroelektrot dizisinin
implantından 1000 gün sonra tetraplejili bir insan
tarafından imleç yörüngesinin ve tıklamanın nöral
kontrolü J. Neural Eng.
8 025027
[9] Collinger J L ve diğerleri 2013 Tetraplejili bir birey
tarafından yüksek performanslı nöroprotez kontrolü The
Lancet
381 557-64
[10] Gilja V et al 2015 Yüksek performanslı bir nöral protezin
klinik çevirisi Nat. Med. 21 1142
[11] Bouton C E ve diğerleri 2016 Kuadriplejili bir insanda
fonksiyonel hareketinin kortikal kontrolünün yeniden
sağlanması Nature 533 247-50
[12] Shakeel A, Navid M S, Anwar M N, Mazhar S, Jochumsen
M ve Niazi I K 2015 Hareketle ilgili kortikal potansiyelleri
kullanarak hareket niyetinin tespiti için tekniklerin gözden
geçirilmesi Comput. Matematik. Yöntemler Med. 2015 1-13
[13] Müller-Putz G R, Schwarz A, Pereira J ve Ofner P 2016
Klasik motor imgelemeden karmaşık hareket niyeti
çözümlemesine: noninvaziv GRAZ-BCI yaklaşımı Prog.
Beyin Araştırmaları. Elsevier 228 39-70
[14] Dremstrup K, Gu Y, Nascimento O ve Farina D 2013
Harekete bağlı kortikal potansiyeller ve bunların beyin-
bilgisayar arayüzündeki uygulamaları Motor
Rehabilitasyon için Sinir Mühendisliğine Giriş s 253-66
[15] Birbaumer N ve diğerleri 2000 Tamamen felçli hastalar
için düşünce çeviri cihazı (ttd) IEEE Trans. Rehabil. Eng. 8
190-3
[16] Birbaumer N, Elbert T, Canavan A G ve Rockstroh B 1990
Serebral korteksin yavaş potansiyelleri ve davranış
Physiol.
Rev. 70 1-41
[17] Shibasaki H ve Hallett M 2006 bereitschaftspotential
nedir? Clin. Neurophysiol. 117 2341-56
[18] Townsend G ve Platsko V 2016 P300 tabanlı beyin-
bilgisayar arayüzünü 100 bpm'nin ötesine itmek:
performans güdümlü kısıtlamaları zamansal alana
genişletmek J.
Nöral Müh. 13 026024
[19] Middendorf M, McMillan G, Calhoun G ve Jones K S 2000
Kararlı duruma dayalı beyin-bilgisayar arayüzleri
görsel uyarılmış yanıt IEEE Trans. Rehabilitasyon. Eng. 8 211-
14
[20] Collinger J L ve diğerleri 2014 Nöroprotez kol için

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
[41] Lan T, Erdogmus D, Adami A, Pavel M ve Mathan S 2006
Karşılıklı bilgi maksimizasyonu ile beyin bilgisayar
arayüzlerinde belirgin EEG kanal seçimi 2005 IEEE
Engineering in Medicine and Biology 27th Conf
(Piscataway, NJ: IEEE) pp 7064-7
[42] Wang Y, Gao S ve Gao X 2006 Motor görüntü tabanlı
beyin-bilgisayar arayüzünde kanal seçimi için ortak
uzamsal desen yöntemi 2005 IEEE Mühendislik
Tıp ve Biyoloji 27. Konferansı (IEEE) pp
5392-5
[43] Al-Ani A ve Al-Sukker A 2006 Özellik ve kanal seçiminin
EEG sınıflandırması üzerindeki etkisi 2006 Int. IEEE Tıp ve
Biyoloji Topluluğu Mühendisliği Konferansı (Piscataway, NJ:
IEEE) pp 2171-4
[44] Al Moubayed N, Hasan B A S, Gan J Q, Petrovski A ve
McCall J 2012 Beyin-bilgisayar arayüzlerinde çok amaçlı
kanal seçimi için sürekli sunum 2012 IEEE Congress on
Evolutionary Computation (IEEE) pp 1-7
[45] Arvaneh M, Guan C, Ang K K ve Quek H C 2010
Beyin-bilgisayar arayüzünde karar ağacı kullanarak
EEG kanal seçimi Proc. Second APSIPA Annual
Summit Conf
s 225-30
[46] Yang J, Singh H, Hines E L, Schlaghecken F, Iliescu D D,
Leeson M S ve Stocks N G 2012 Elektroensefalogram
sinyallerinin kanal seçimi ve sınıflandırılması: yapay sinir
ağı ve genetik algoritma tabanlı bir yaklaşım Artif.
Intell. Med. 55 117-26
[47] Tam W-K, Ke Z ve Tong K-Y 2011 Kronik inme
hastalarında beyin-bilgisayar arayüzünde daha küçük bir
EEG elektrot seti altında ortak uzamsal örüntü performansı:
çok oturumlu bir veri seti çalışması 2011 Annual Int. Conf.
of the IEEE Engineering in Medicine and Biology Society
(Piscataway, NJ: IEEE) pp 6344-7
[48] Yang Y, Kyrgyzov O, Wiart J ve Bloch I 2013
Motor görüntü elektroensefalografik verilerin
sınıflandırılması için konuya özel kanal seçimi 2013 IEEE
Int. Conf. on Acoustics, Speech and Signal Processing pp
1277-80
[49] Delorme A ve Makeig S 2004 EEGlab: bağımsız bileşen
analizi de dahil olmak üzere tek denemeli eeg
dinamiklerinin analizi için açık kaynaklı bir araç kutusu
J. Neurosci. Yöntemler 134 9-21
21
H Zhang ve
diğerleri
[50] Lin J ve Qu L 2000 Morlet dalgacığına dayalı özellik
çıkarımı ve mekanik arıza teşhisi için uygulanması J.
Ses Vib. 234 135-48
[51] Hu J, Shen L ve Sun G 2018 Sıkıştırma ve uyarma ağları
Proc. IEEE Conf. on Computer Vision and Pattern
Recognition pp 7132-41
[52] Hannun A Y, Rajpurkar P, Haghpanahi M, Tison G H,
Bourn C, Turakhia M P ve Ng A Y 2019 Derin bir sinir ağı
kullanarak ambulatuvar elektrokardiyogramlarda
kardiyolog düzeyinde aritmi tespiti ve sınıflandırması Nat.
Med. 25 65
[53] Rumelhart D E, Hinton G E ve Williams R J 1986 Hataları
geri yayarak temsilleri öğrenme Doğa
323 533-6
[54] Glorot X ve Bengio Y 2010 Derin ileri beslemeli sinir
ağlarını eğitmenin zorluğunu anlamak Proc. 13th Int.
Conf. on Artificial Intelligence and Statistics pp 249-56
[55] Tieleman T ve Hinton G 2012 Ders 6.5-rmsprop: gradyanı
son büyüklüğünün çalışan ortalamasına bölmek
COURSERA: Neural Netw. Mach. Öğrenmek. 4 26-31
[56] Chollet F ve diğerleri 2015 Keras
(https://github.com/fchollet/keras)
[57] Abadi M ve diğerleri 2016 Tensorflow: Büyük ölçekli
makine öğrenimi için bir sistem 12. USENIX Symp. on
Operating Systems Design and Implementation (OSDI 16)
pp 265-83
[58] McLachlan G J, Do K-A ve Ambroise C 2005 Analyzing
Microarray Gene Expression Data (New York: Wiley) p 422
[59] Ang K K, Chin Z Y, Wang C, Guan C ve Zhang H
2012 BCI yarışması iv veri setleri 2a ve 2b Frontiers
Neurosci üzerinde filtre bankası ortak uzamsal desen
algoritması.
6 39
[60] Yu Z, Ma T, Fang N, Wang H, Li Z ve Fan H 2020 Faz
kilitleme değeri ile modüle edilmiş yerel zamansal ortak
uzamsal desenler Biomed. Sinyal Süreci. Kontrol 59
101882
[61] Reddy T K, Arora V ve Behera L 2018 Beyin-bilgisayar
arayüzündeki uygulamalarla sinir ağları için Hjb denklemi
tabanlı optimal öğrenme şeması IEEE Trans.
Gelişmekte Olan Top. Bilgisayar. Intell. 159-70
[62] Li J, Li Z, Feng Y, Liu Y ve Shi G 2019 Beyin
teleoperasyonuna ve derin öğrenme çarpmasına dayalı bir
insan-robot hibrit akıllı sistemin geliştirilmesi IEEE Trans.
Autom. Sci. Eng. 16 1664-74