Altındiş, FatihYılmaz, B.2018-04-122018-04-122017-10http://hdl.handle.net/11693/37572Date of Conference: 27-29 Oct. 2016Conference name: 2016 Medical Technologies National Congress (TIPTEKNO)Beyin bilgisayar arayüzü (BBA) teknolojisi motor nöronlarının özelliğini kaybeden ve hareket kabiliyeti kısıtlanmış ALS ve felçli hastalar gibi birçok kişinin dış dünya ile iletişimini sağlamaya yönelik kullanılmaktadır. Bu çalışmada, Avusturya’daki Graz Üniversitesi’nde alınmış EEG veri seti kullanılarak gerçek zamanlı EEG işleme simülasyonu ile motor hayal etme sınıflandırılması amaçlanmıştır. Bu veri setinde sağ el ya da sol elin hareket ettirilme hayali esnasında 8 kişiden alınmış iki kanallı EEG sinyalleri bulunmaktadır. Her katılımcıdan 60 sağ ve 60 sol olmak üzere toplamda 120 adet yaklaşık 9 saniyelik motor hayal etme deneme sinyali kayıt edilmiştir. Bu sinyaller filtrelemeye tabi tutulmuştur. Yirmi dört, 32 ve 40 elemanlı özellik vektörü bant geçiren filtreler kullanarak elde edilen göreceli güç değişim değerleridir (GGDD). Bu çalışmada, lineer diskriminant analizi (LDA), k en yakın komşular (KNN) ve destek vektör makinaları (SVM) ile sınıflandırma yapılmış, en iyi sınıflandırma performansının 24 değerli özellik vektörüyle ve LDA sınıflandırma yöntemiyle elde edildiği gösterilmiştir.Brain Computer Interface (BCI) technology is used to help patients who do not have control over motor neurons such as ALS or paralyzed patients, to communicate with outer world. This work aims to classify motor imageries using real-time EEG dataset, which was published by Graz University, Austria. The dataset consists of two-channel EEG signals of right-hand movement imagery and left-hand movement imagery of 8 subjects. There are a total of 120 motor imagery trials (60 left and 60 right) EEG signals recorded from each subject. EEG signals are filtered and feature vectors were extracted that consist of 24, 32 and 40 relative band power values (RBPV). In this work, feature vectors classified by three different methods, linear discriminant analysis (LDA), K nearest neighbor (KNN) and support vector machines (SVM). Results show that best performance was achieved by 24 RBPV feature vector and LDA classification method. © 2016 IEEE.TurkishBrain-computer interfacesClassificationEEGMotor imageryRelative band powerBiomedical engineeringBrain computer interfaceClassification (of information)Discriminant analysisElectroencephalographyFeature extractionImage retrievalInterface statesInterfaces (computer)Medical computingNearest neighbor searchNeuronsSignal processingSupport vector machinesVectorsClassification methodsFeature extraction and classificationFeature vectorsK nearest neighbor (KNN)Linear discriminant analysisMotor imageryParalyzed patientsBiomedical signal processingConference Paper10.1109/TIPTEKNO.2016.7863118