Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

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. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2021; 4(2): 133-136. DOI: 10.54856/jiswa.202112178

Full Text: PDF, in English.

Total number of downloads: 478

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) commands 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:
  • McFarland DJ, Wolpaw JR. Brain-computer interfaces for communication and control. Communication of ACM 2011; 54(5): 6066.
  • Nicolas-Alonso LF, Gomez-Gil J. Brain computer interfaces, a review. Sensors 2012; 12(2):1211-1279.
  • Wang Y, Gao X, Hong B, Jia C, Gao S. Brain-computer interfaces based on visual evoked potentials. IEEE Engineering in Medicine and Biology Magazine 2008; 27(5): 64-71.
  • Zhang Z, Li Z, Deng Z. A CWT-based SSVEP classification method for brain-computer interface system. In 2010 International Conference on Intelligent Control and Information Processing, 2010, pp. 43-48.
  • Muller-Putz GR, Pfurtscheller G. Control of an electrical prosthesis with an SSVEP-based BCI. IEEE Transactions on Biomedical Engineering 2007; 55(1): 361-364.
  • Diez PF, Mut VA, Perona EMA, Leber EL. Asynchronous BCI control using high-frequency SSVEP. Journal of Neuroengineering and Rehabilitation 2011; 8(1): 1-9.
  • Heidari H, Einalou Z. SSVEP extraction applying wavelet transform and decision tree with bays classification. International Clinical Neuroscience Journal 2017; 4(3): 91-97.
  • Yeh CL, Lee PL, Chen WM, Chang CY, Wu YT, Lan GY. Improvement of classification accuracy in a phase-tagged steady-state visual evoked potential-based brain computer interface using multiclass support vector machine. Biomedical Engineering Online 2013; 12(1): 1-17.
  • Sayilgan E, Yuce YK, Isler Y. Determining gaze information from steady-state visually-evoked potentials. Karaelmas Fen ve Mühendislik Dergisi 2020; 10(2): 151-157.
  • Sayilgan E, Yuce YK, Isler Y. Prediction of evoking frequency from steady-state visual evoked frequency. Natural and Engineering Sciences 2019; 4(3): 91-99.
  • Vilic A. AVI steady-state visual evoked potential (SSVEP) signals sataset, 2013, https://www.setzner.com/avi-ssvep-dataset/
  • Wigner EP. On the quantum correction for thermodynamic equilibrium. In Part I: Physical Chemistry, Part II: Solid State Physics, Springer, 1197, pp. 110-120.
  • Ville J. Theorie et application dela notion de signal analytique. Cables et Transmissions 1948; 2(1): 61-74.
  • Sayilgan E, Yuce YK, Isler Y. Evaluation of wavelet features selected via statistical evidence from steady-state visually-evoked potentials to predict the stimulating frequency. Journal of the Faculty of Engineering and Architecture of Gazi University 2021; 36(2): 593-606.
  • Sayilgan E, Yuce YK, Isler Y. Durağan durum görsel uyaran potansiyellerinden Fourier dönüşümü ile üç farklı frekansın kestirimi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi 2020; 8(4): 2337-2343.
  • Sayilgan E, Yuce YK, Isler Y. Evaluation of mother wavelets on steady-state visually-evoked potentials for triple-command brain-computer interfaces. Turkish Journal of Electrical Engineering and Computer Sciences 2021; 29(5): 2263-2279.