Alın bölgesinden alınan elektrookülogram (EOG) işaretleri için ölçüm devresi tasarımı ve sınıflandırılması

Abstract

Gözlerini rahat bir şekilde hareket ettirebilen hastalarda, Elektrookülogram (EOG) sinyallerinin kullanılması, Elektroensefalogram (EEG) tabanlı yöntemlere göre oldukça kolay ve etkilidir. Bu çalışmada, özgün EOG tabanlı bir elektronik devre tasarımı yapılmıştır. Göz hareket sinyallerini alabilmek için alın bölgesine farklı bir elektrot dizilimi gerçekleştirilmiş, sistem tasarım stratejisi ve uygulaması açıklanmıştır. Mikrodenetleyici tabanlı gerçekleştirilen yeni sistemin CMRR oranı 91 dB, gürültü seviyesi 0,5 μV(t-t)'dir. Her iki kanal hemen hemen aynı özelliklere sahip olmakla beraber toplam kazanç ayarlanarak sinyallerin aynı anda görüntülenmesinde optimize edilmişlerdir. Toplam kazanç düşeyde 101,5 dB ve yanalda 103,6 dB ve örnekleme hızı 5 Hz'dir. Analog filtre tasarımının yanısıra, sayısal filtreler de ayrı ayrı uygulanmış ve çıkış olarak etkileri gözlenmiştir. Sınıflandırma için En Yakın Komşuluk İlişkisi (k-NN), Naive Bayes (NB), Destek Vektör Makinesi (SVM) ve Yapay Sinir Ağları sınıflandırma metodları kullanılmış ve birbirleri arasındaki başarım oranları değerlendirilmiştir. Ölçüm düzeneği, 75cm aralıklarla 5cm çapında dairesel noktaların yerleştirilmesi ile oluşturulmuştur. Göz hizaları referans alınarak, yerleştirilen 5 noktanın orta noktasına göre 1m uzaklıkta ve yerden 1m yükseklikte olacak şekilde düzenlenmiştir. Toplamda ise 2500 örnek küme toplanmıştır. Bu elektrot dizilişi ile toplanan ve göz kaslarının aktivasyonları ile değişen EOG sinyalleri incelendikten sonra işlenip gruplandırılmışlardır. Daha sonra sınıflandırma için gruplanan sinyaller 10 kümeli çapraz doğrulama metodu kullanılarak 4 algoritma ile sınıflandırılmıştır. Sınıflandırma işlemleri sonucunda en yüksek doğruluk değerlerini üreten k-NN algoritması, 150 öznitelik içeren veri kümesini 6,45sn'de %90,96 doğrulukla sınıflandırmıştır. Öznitelik seçme işlemi sonrasında belirlenen en iyi 51 öznitelik için k-NN algoritması ile 2,58sn'de %94,20 doğruluk elde edilmiştir. Sonuçlara bakılarak en iyi sınıflandırma başarımı ve kullanım kolaylığı göz önüne alındığında k-NN sınıflandırma yönteminin bu problemin çözümüne yönelik daha iyi sonuçlar verdiği değerlendirilmektedir.

The usage of electrooculogram signals with patients able to move their eyes easily, is more effective and easier in comparison with electroencephalogram-based methods. In this study, a specific EOG-based electronic circuit is designed. A different electrode array is implemented on the frontal region in order to gain eye movement signals and system design strategy and practice are clarified. The CMRR proportion of the new system performed microcontroller-basedly is 91 dB and noise level is 0,5μVt-t. Besides having almost the same features, both of the channels are optimized by adjusting the total gain in displaying signals simultaneously. Total gain in vertical is 101,5 dB and it is 103,6 dB in lateral and sampling rate is 5 Hz. In addition to analogue filter design, digital filters are implemented separately and their effects are observed as output. For classification; The Closest Nearest Neighborhood Relationship (k-NN), Naive Bayes (NB), Support Vector Machine (SVM) and Artificial Neural Networks (ANN) classification methods are used and success proportions among them are evaluated. The measurement mechanism is formed by placing 5 cm-diameter circular points with 75 cm intervals. Based on eye levels are 1 meter far from the middle point of 5 points and 1 meter high from floor. Totally 2500 sample set are collected. EOG signals, gained with this electrode array and changed with the activation of eye muscles, are handled and classified after analysis.Then, the signals grouped for classification are classified with 4 algorithm by using 10-clustered cross verification method. As a result of classification procedures the k-NN algorithm, which produced the highest accuracy values, has classified the 150-attributed data set with 90.96% accuracy in 6.45 sec.. For the best 51-attribute, determinated after the attribute selection process, 94.20% accuracy has been gained with k-NN algorithm in 2.58 sec..When the best classification success and ease of use are considered regarding the results, it is evaluated that the k-NN classification method shows better results in solving this problem.