Müzik sınıflandırması beyin bilgisayar arayüzü uygulamaları için bir alternatif olabilir mi?
Loading...
Date
2017-05-03
Authors
Özmen, Nurhan Gürsel
Durmuş, Ebru
Sadreddini, Zhaleh
Journal Title
Journal ISSN
Volume Title
Publisher
Uludağ Üniversitesi
Abstract
İnsan beyninin çalışma mekanizmasını değerlendirmek için yapılan nörolojik çalışmalar, müziğin bu konuda değerlendirilebilecek önemli bir araç olduğunu göstermektedir. Bu çalışmada, müzik dinleme görevlerinin, beyin bilgisayar arayüzü (BBA) sisteminde kullanılabilirliği araştırılmıştır. Müzik görevlerinin diğer zihinsel ve motor görevlerle sınıflandırma performansları değerlendirilmiştir. Üç sağlıklı katılımcı ile gerçekleştirilen deneysel çalışmada, yedi farklı görevin ikili sınıflandırma sonuçları değerlendirilmiştir. Bu görevler, iki farklı müzik türünü dinleme, rahat durum, zihinden problem çözme, sağ el hareket hayali, sol el hareket hayali ve A harfi hayali görevleridir. Elde edilen EEG verilerinden Öz bağlanım (AR) parametreleri, Hjorth parametreleri, güç spektral yoğunluk (PSD) parametreleri ve PSD+frekans karakteristikleri öznitelik olarak çıkarılmış ve performansları Destek Vektör Makinesi (DVM), k-En Yakın Komşuluk (k-NN) ve Yapay Sinir Ağları (ANN) sınıflandırıcıları ile değerlendirilmiştir. Öznitelikler olarak AR parametreleri kullanılması durumunda, en yüksek sınıflandırma başarıları %100 DVM ve % 100 ANN olarak elde edilmiştir. Sınıflandırma başarımları beynin farklı bölümlerini temsil eden farklı elektrotlar açısından da değerlendirilmiş ve müzik görevlerinin ayrıştırılmasında C3 kanalının daha başarılı olduğu görülmüştür. Elde edilen sonuçlara bağlı olarak, müzik dinlenme görevinin beyinde farklı frekanslarda etki yarattığı ve bu farklılığın tıbbi, askeri ya da e-oyun gibi beyin bilgisayar ara yüzü uygulamalarında kullanılması önerilmektedir.
Neurological studies on human brain show that, music is an important tool that can be assessed for understanding the mechanism of the brain. In this study, the availability of music classification for brain computer interface systems was studied. Moreover, classification performances of music tasks with other mental and motor tasks are evaluated. An experimental study was carried out with three different subjects executing seven different tasks. These tasks are; listening to music, relax, mental arithmetic, imagery right hand movement, imagery left hand movement and the letter A imagination task. Autoregressive (AR) parameters, Hjorth parameters, power spectral density (PSD) values and PSD+ frequency characteristics were extracted as features from the resulting EEG data. Their classification performances are tested with Support Vector Machines (SVM), k-nearest neighborhood (k-NN) and Neural Network (ANN) classifiers. By using AR parameters as features, the highest classification performances were obtained as 100% SVM and 100% ANN. Classification performances were also evaluated for different electrodes representing different sections of the brain and it is observed that, C3 channel has the highest performance for music tasks. As a result, we can conclude that music tasks affect different frequencies in the brain, and that difference can be used in different brain computer interface applications like medical, military or e-gaming applications.
Neurological studies on human brain show that, music is an important tool that can be assessed for understanding the mechanism of the brain. In this study, the availability of music classification for brain computer interface systems was studied. Moreover, classification performances of music tasks with other mental and motor tasks are evaluated. An experimental study was carried out with three different subjects executing seven different tasks. These tasks are; listening to music, relax, mental arithmetic, imagery right hand movement, imagery left hand movement and the letter A imagination task. Autoregressive (AR) parameters, Hjorth parameters, power spectral density (PSD) values and PSD+ frequency characteristics were extracted as features from the resulting EEG data. Their classification performances are tested with Support Vector Machines (SVM), k-nearest neighborhood (k-NN) and Neural Network (ANN) classifiers. By using AR parameters as features, the highest classification performances were obtained as 100% SVM and 100% ANN. Classification performances were also evaluated for different electrodes representing different sections of the brain and it is observed that, C3 channel has the highest performance for music tasks. As a result, we can conclude that music tasks affect different frequencies in the brain, and that difference can be used in different brain computer interface applications like medical, military or e-gaming applications.
Description
Keywords
BBA, EEG, Müzik dinleme görevi, Öznitelik çıkarma, Sınıflandırma, BCI, Music listening tasks, Feature extraction, Classification
Citation
Özmen, N. G. vd. (2017). "Müzik sınıflandırması beyin bilgisayar arayüzü uygulamaları için bir alternatif olabilir mi?". Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2), 11-22.