ECoG tabanlı parmak hareketlerinin KNN ve DVM yöntemleri ile sınıflandırılması
Abstract
Bu tez kapsamında, ECoG kayıtları kullanılarak parmak hareketlerinin sınıflandırılması amaçlanmıştır. ECoG verilerinin sınıflandırılma sürecinde, iki yaklaşım izlenmiştir. Birinci yaklaşımda, öznitelik olarak AR katsayıları kullanılarak k-NN ve DVM sınıflandırıcıları ile kümelerin sınıflandırma başarım oranları belirlenmiştir. Elde edilen sonuçlara göre, genel olarak az sayıda katsayı ile maksimum başarımın elde edildiği görülmüştür. Sınıflandırıcı açısından bakıldığında, DVM?in k-NN sınıflandırıcısına göre daha iyi bir performans sergilediği görülmüştür. ECoG verilerinin sınıflandırılmasında izlenen ikinci yaklaşımda, öznitelik olarak dalgacık katsayıları kullanılmıştır. Birinci aşamada DVM sınıflandırıcısının k-NN sınıflandırıcısına göre daha iyi bir performans sergilemiş olmasından ötürü, ikinci aşamada sınıflandırıcı olarak sadece DVM kullanılmıştır. Etkin kanalların belirlenmesi ile sınıflandırma başarım oranlarının yükseldiği görülmüştür. Farklı paradigmalar ile elde edilen EEG/ECoG işaretleri değerlendirilerek, beynin dinamiği anlaşılmaya çalışılmaktadır. Bu çalışmada kullanılan ECoG işaretleri aynı amaç için kullanılmıştır. Uygulanılan yöntemin başarıyla uygulanabilirliliği görülmüştür. Anahtar kelimeler: Sınıflandırma, Elektrokortikografi, parmak hareketleri, K En Yakın Komşuluk,
Destek Vektör Makineleri In this thesis, two approaches have been followed classification of finger movements have aimed using ECoG recordings. In first approach, performance in classification of clusters are determined with k-NN and SVM classifiers by using AR coefficients as attribute. According to found results, it has been seen that maximum performance is obtained. With less coefficients generally. From the perspective of the classifier performance of SVM is beter than that of k-NN. In second approaches followed for classification the values of ECoG, wavelet coefficients are used as an attribute. in the second stage only SVM classifier is used because it was found firstly that SVM performance was beter than that of k-NN. It is seen that classification performance rates are increased by determining of effective channels. It has been tried to understanding the dynamics of brain by evaluated EEG / ECoG signals obtained with different paradigms. In this study ECoG signals are used for the same aim. It is seen that these methods can be applied successfully. Key Words : Classification, Electrocorticography, Finger movements, K-Nearest Neighbor, Support Vector Machines