Flag Counter
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J Intel Syst App
E-ISSN: 2667-6893

Evaluation of Wigner-Ville Distribution Features to Estimate Steady-State Visual Evoked Potentials' Stimulation Frequency

Durağan Durum Görsel Uyarılmış Potansiyellerin Uyarı Frekansını Kestirmek için Wigner-Ville Dağılım Özniteliklerinin Değerlendirilmesi

How to cite: Değirmenci M, Sayılgan E, İşler Y. Evaluation of wigner-ville distribution features to estimate steady-state visual evoked potentials' stimulation frequency. Journal of Intelligent Systems with Applications 2021; 4(2): 133-136.

Full Text: PDF, in English.

Total number of downloads: 281

Title: Evaluation of Wigner-Ville Distribution Features to Estimate Steady-State Visual Evoked Potentials' Stimulation Frequency

Abstract: Brain Computer Interface (BCI) is a system that enables people to communicate with the outside world and control various electronic devices by interpreting only brain activity (motor movement imagination, emotional state, any focused visual or auditory stimulus, etc.). The visual stimulation based recording is one of the most popular methods among various electroencephalography (EEG) recording methods. Steady-state visual-evoked potentials (SSVEPs) where visual objects are blinking at a fixed frequency play an important role due to their high signal-to-noise ratio and higher information transfer rate in BCI applications. However, the design of multiple (more than 3) command systems in SSVEPs based BCI systems is limited. The different approaches are recommended to overcome these problems. In this study, an approach based on machine learning is proposed to determine stimulating frequency in SSVEP signals. The data set (AVI SSVEP Dataset) is obtained through open access from the internet for simulations. The dataset includes EEG signals that was recorded when subjects looked at a flickering frequency at seven different frequencies (6-6.5-7-7.5-8.2-9.3-10Hz). In the machine learning-based approach Wigner-Ville Distribution (WVD) is used and features are extracted using Time-Frequency (TF) representations of EEG signals. These features are classified by Decision Tree, Linear Discriminant Analysis (LDA), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Naive Bayes, Ensemble Learning classifiers. Simulation results demonstrate that the proposed approach achieved promising accuracy rates for 7 command SSVEP systems. As a consequence, the maximum accuracy is achieved in the Ensemble Learning classifier with 47.60%.

Keywords: Brain-computer interface (BCI); electroencephalography (EEG); steady-state visually-evoked potentials (SSVEPs); time-frequency (TF) representation; Wigner-Ville distribution


Başlık: Durağan Durum Görsel Uyarılmış Potansiyellerin Uyarı Frekansını Kestirmek için Wigner-Ville Dağılım Özniteliklerinin Değerlendirilmesi

Özet: Beyin Bilgisayar Arayüzü (BBA), insanların sadece beyin aktivitesini (motor hareket hayal gücü, duygusal durum, herhangi bir odaklanmış görsel veya işitsel uyartı vb.) yorumlayarak dış dünya ile iletişim kurmasını ve çeşitli elektronik cihazları kontrol etmesini sağlayan bir sistemdir. Görsel uyarıma dayalı kayıt, çeşitli elektroensefalografi (EEG) kayıt yöntemleri arasında en popüler yöntemlerden biridir. Görsel nesnelerin sabit bir frekansta yanıp söndüğü durağan durum görsel uyarılmış potansiyeller (DDGUP), BBA uygulamalarında yüksek sinyal-gürültü oranı ve daha yüksek bilgi aktarım hızı nedeniyle önemli bir rol oynar. Ancak, DDGUP tabanlı BBA sistemlerinde çoklu (3'ten fazla) komut sisteminin tasarımı sınırlıdır. Bu sorunların üstesinden gelmek için farklı yaklaşımlar önerilmektedir. Bu çalışmada, DDGUP sinyallerindeki uyarıcı frekansı belirlemek için makine öğrenmesine dayalı bir yaklaşım önerilmektedir. Veri seti (AVI SSVEP Veri Seti) simülasyonlar için internetten açık erişim yoluyla elde edildi. Veri seti, denekler yedi farklı frekansta (6-6.5-7-7.5-8.2-9.3-10Hz) yanıp sönen bir frekansa baktıklarında kaydedilen EEG sinyallerini içerir. Makine öğrenimine dayalı yaklaşımda Wigner-Ville Dağılımı (WVD) kullanılır ve EEG sinyallerinin Zaman-Frekans (ZF) gösterimleri kullanılarak öznitelikler çıkarılır. Bu öznitelikler, Karar Ağacı, Doğrusal Ayırım Analizi (DAA), k-En Yakın Komşu (k-NN), Destek Vektör Makinesi (DVM), Naive Bayes, Topluluk Öğrenme sınıflandırıcılarıyla sınıflandırılır. Simülasyon sonuçları, önerilen yaklaşımın 7 komutlu DDGUP sistemler için umut verici doğruluk oranlarına ulaştığını göstermektedir. Sonuç olarak, Topluluk Öğrenmesi sınıflandırıcısında %47,60 ile maksimum doğruluk elde edilir.

Anahtar kelimeler: Beyin-bilgisayar arayüzü (BBA); durağan-durum görsel-uyaran potansiyelleri (DDGUP); elektroensefalogram (EEG); zaman-frekans gösterimi; Wigner-Ville dağılımı


Bibliography: