Eog Verilerini Kullanarak Göz Bakış Tahmininde En İyi Öznitelik Vektör Kümesi Seçiminin Araştırılması

Abstract

Engelli insanların hayat şartlarını kolaylaştırmak için elektrookülografi (EOG) kullanılarak makine öğrenmesi konusunda pek çok çalışma yapılmıştır. Bu çalışmada, EOG verilerindeki göz açısal yer değiştirmeleri tahmin edilirken çeşitli veri mühendisliği teknikleri kullanılarak, farklı öznitelik seçim yöntemlerinin uygulanması sonucu tahmin hatalarına etkisinin kıyaslanması amaçlanmıştır. Veri setindeki EOG sinyallerinin dikey ve yatay bileşenlerindeki göz kırpmalar çıkarılarak filtreleme işlemleri yapıldıktan sonra her iki kanalda ayrı ayrı işlenip zaman düzleminde 23 (ortalama karekök, ortalama, mutlak maksimum, basıklık, çarpılık, varyasyon katsayısı, geometrik ortalama, harmonik ortalama, varyans, ortanca değer, ortalama enerji, standart sapma, standart hata, şekil faktörü, çeyrekler açıklığı, %50 kırpılmış ortalama, %25 kırpılmış ortalama, maksimum, ortalama mutlak sapma, minimum, merkezi moment, tekil değer ayrıştırması ve crest), frekans düzleminde 10 (baskın güç, standart sapma, enerji, güç, enerji entropi, spektral entropi, basıklık, çarpılık, ortanca değer ve ortalama), zaman-frekans düzleminde ise 36 adet öznitelik (aktivite, mobilite, karmaşıklık, basıklık, çarpılık ve enerji) çıkarılmıştır. Frekans düzleminde ayrık fourier dönüşümü, zaman-frekans düzleminde ayrık dalgacık dönüşümü kullanılmıştır. Elde edilen veri holdout ve k-fold yöntemleri kullanılarak Fsrtest, Fsrnca, Fsrmrmr, RReliefF ve Sequentials öznitelik yöntemleri ile öznitelikler seçilmiştir. Seçilen öznitelikler makine öğrenmesi algoritmaları olan Gaussian Process Regression(GPR), Support Vector Machine Regression(SVR), Regression Tree ve Regression Tree Ensembles algoritmalarına sokulmuştur. Elde edilen en düşük hata oranları, bireysel olarak, yatay EOG bileşeninde en iyi sonuç zaman-frekans düzleminde rrelieff öznitelik seçim yöntemiyle RTE algoritmasında RMSE ve açısal hata değerleri sırasıyla 0.96, 0.77'dir. Dikey EOG bileşeninde ise en iyi sonuç zaman düzleminde fsrnca öznitelik seçim yöntemiyle RTE algoritmasında RMSE ve açısal hata değerleri sırasıyla 1.73, 1.35'tir. Ortalama değerlerde ise en iyi sonuçlar, yatay EOG bileşeninde zaman-frekans düzleminde RMSE ve açısal hata değerleri sırasıyla 2.15±0.73, 1.39±0.41 ile fsrnca öznitelik seçim yöntemiyle, RTE algoritmasında elde edilmiştir. Dikey EOG bileşeninde ise zaman-frekans düzleminde RMSE ve açısal hata değerleri sırasıyla 3.67±0.87, 2.61±0.64 ile fsrtest öznitelik seçim yöntemiyle, GPR algoritmasında elde edilmiştir.

Many studies have been carried out on machine learning using electrooculography (EOG) to facilitate the living conditions of people with disabilities. In this study, it is aimed to compare the effect of different feature selection methods on estimation errors by using various data engineering techniques while estimating eye angular displacements in EOG data. After filtering by removing the blinks in the vertical and horizontal components of the EOG signals in the data set, both channels were processed separately and 23 (root mean square, mean, absolute maximum, kurtosis, skewness, coefficient of variation, geometric mean, harmonic mean, variance, median, average energy, standart deviation, standart error, shape factor, interquatile range, %50 trimmed mean, %25 trimmed mean, maximum, mean absolute deviation, minimum, central moment, singular value decomposition and crest) features were extracted in the time domain, 10 (dominant power, standart deviation, energy, power, energy entropy, kurtosis, skewness, median and mean) features in the frequency domain, and 36 features (activity, mobility, complexity, kurtosis, skewness and energy) in the time-frequency domain. Discrete fourier transform is used in the frequency domain and discrete wavelet transform is used in the time-frequency domain. By using the obtained data holdout and k-fold methods, features were selected with Fsrtest, Fsrnca, Fsrmrmr, RReliefF and Sequentials feature methods. The selected features were inserted into the machine learning algorithms Gaussian Process Regression(GPR), Support Vector Machine Regression(SVR), Regression Tree and Regression Tree Ensembles. The lowest error rates obtained, individually, in the horizontal EOG component, the RMSE and angular error values in the RTE algorithm with the rerelieff feature selection method in the time-frequency plane with the best results are 0.96, 0.77, respectively. In the vertical EOG component, on the other hand, the RMSE and angular error values in the RTE algorithm are 1.73 and 1.35, respectively, with the feature selection method fsrnca in the time domain. In the mean values, the best results were obtained in the RTE algorithm, with the RMSE and angular error values in the horizontal EOG component in the time-frequency plane with 2.15±0.73, 1.39±0.41 fsrnca feature selection method, respectively. In the vertical EOG component, the RMSE and angular error values in the time-frequency plane were obtained with the fsrtest feature selection method, with 3.67±0.87, 2.61±0.64, respectively, in the GPR algorithm.