Elektroensefalografi İşaretlerinin Makine Öğrenme Tabanlı Sınıflandırılmasında En İyi Öznitelik Seçiminin Araştırılması

Abstract

Anksiyete, üretkenliği ve yaşam kalitesini etkilediği kadar insan yeteneklerini ve davranışlarını da etkiler. Depresyon ve intiharın ana nedeni olarak kabul edilebilir. Günümüzde klinisyenler anksiyete bozukluklarını teşhis etmek için belirli kriterler kullanılmaktadır. Anksiyete tespitinin karmaşık görevini yerine getiren, invaziv olmayan güvenilir tekniklere ihtiyaç vardır. Bu çalışma, elektroensefalografi (EEG) sinyallerini analiz ederek ikili ve dörtlü sınıfları daha az EEG kanalı ve öznitelik sayısı kullanarak sınıflandırmayı amaçlamıştır. 23 kişinin 14 kanallı EEG sinyalini içeren DASPS veri tabanı kullanılmıştır. EEGLAB kullanarak 14 kanaldan 4 kanal seçilmiştir. Öznitelik çıkarımı için dalgacık dönüşümü, fourier dönüşümü ve istatistiksel yöntemler kullanılmıştır. MATLAB sınıflandırma öğrenicisi araç kutusundaki 4 farklı yöntem ile sınıflandırma yapılmıştır. En yüksek doğrulukta oranları, ikili sınıflandırmada %68,3 doğrulukta destek vektör makinesi, dörtlü sınıflandırmada %61 doğrulukta destek vektör makinesi ile elde edilmiştir.Anxiety affects productivity, quality of life, human abilities and behaviors. It can be considered the main cause of depression and suicide. Clinicians today use specific criteria to diagnose anxiety disorders. There is a need for reliable, non-invasive techniques to perform the complex anxiety detection task. This study aimed to classify binary and four-class categories by analyzing electroencephalography (EEG) signals with fewer EEG channels and features. The DASPS database was used, containing EEG signals from 23 individuals with 14 channels. Using EEGLAB, 4 channels were selected from 14 channels. The wavelet transform, Fourier transform, and statistics were used for feature extraction. The classification was performed using four methods from the MATLAB Classification Learner Toolbox. The highest accuracy rates were achieved with support vector machines for binary classification with 68.3% accuracy and with support vector machines for four-class classification with 61% accuracy.