EOG Sinyalleri için Sınıflandırma Algoritmalarının Karşılaştırılması

Abstract

Bu bildiride, belirli göz hareketleri sonucu elde edilen elektrookülogram (EOG) sinyallerinin sınıflandırılması için Destek Vektör Makinesi (DVM) ve Yapay Sinir Ağı (YSA) yöntemleri karşılaştırılmaktadır. Göz hareketleri kullanarak kontrol edilecek bir sistemin parçası olarak seçilen yöntemler, doğruluk ve hız parametreleri bakımından karşılaştırılmıştır. Alınan EOG sinyalleri, yatay (sağ ve sol), dikey (aşağı ve yukarı) ve kırpma biçimindeki 5 farklı göz hareketinden oluşmaktadır. 20 denekten, yatay ve dikey bileşenli iki EOG kanalından alınan sinyal kümesinden, 3 elemanlı öznitelik vektörleri hesaplanmıştır. Öznitelik vektörlerinin ilk iki elemanı, kanallardaki tepe genlik değerinden, üçüncüsü ise bu çalışmada özgün olarak önerilen parametre olan, aktif kanala ait basıklık değerinden oluşmaktadır. Deneklerden elde edilen öznitelik vektörlerinden rasgele 10 tanesi adı geçen sınıflandırıcıların eğitimi, kalan 10 tanesi de başarımlarını değerlendirmek için kullanılmıştır. Çevrimdışı olarak yapılan testler sonucu her iki sınıflandırma yönteminde de % 100 başarı elde edilmiştir. Ortaya çıkan cevap süreleri de iki yöntemin gerçek zamanlı olarak kullanıma uygun olduğunu göstermektedir.In this paper, we present a comparison Support Vector Machine (SVM) and Artificial Neural Network (ANN) for classification of electrooculogram (EOG) signals acquired under specific eye movements. These methods that are required for an eye controlled system are compared by means of their accuracy and response time. Acquired EOG signals consist of 5 different eye movements - being horizontal (right and left), vertical (up and down) and blink. EOG signal acquisition was achieved from 20 different subjects by using two EOG channels (vertical and horizontal) and 3 element feature vectors were extracted. The first two elements of the feature vectors are the peak amplitudes of two channels whereas the third element, being our proposed parameter, is the kurtosis value of the active channel. 10 of 20 randomly selected feature vectors were used for training of the classifiers whereas the rest was used for performance tests. Offline tests yield 100 % success rate for both of the classifiers. The response times of both methods make them suitable for real-time usage.