Μελέτη Εγκεφαλικής Δραστηριότητας Παρατηρητών

Abstract

Ο σκοπός της παρούσας εργασίας είναι η ανάπτυξη μεθόδου κατηγοριοποίησης σημάτων από εγκεφαλογραφήματα, προκειμένου να εξεταστεί κατά πόσο είναι δυνατόν δοθέντος ενός εγκεφαλογραφήματος να γίνεται κατηγοριοποίηση παρατηρήσεων. Για το σκοπό αυτό χρησιμοποιήθηκαν εγκεφαλογραφήματα από 16 άτομα, τα οποία περιείχαν σήματα από τα 47 ηλεκτρόδια που είχαν τοποθετηθεί σε συγκεκριμένα μέρη του κρανίου.

Συγκεκριμένα, χρησιμοποιήθηκε για την βελτίωση της απόδοσης του κατηγοριοποιητή, χρησιμοποιήθηκε και η μέθοδος επιλογής χαρακτηριστικών Σειριακής Εμπρόσθιας Μεταβλητής Επιλογής (SFFS) προκειμένου να αφαιρεθούν πλεονάζοντα χαρακτηριστικά των δεδομένων. Στην συνέχεια χρησιμοποιήθηκε ο αλγόριθμος επιβλεπόμενης μάθησης SVM (η Μηχανή Διανυσμάτων Υποστήριξης) για την κατηγοριοποίηση των δεδομένων. Η επιλογή των χαρακτηριστικών με την χρήση του αλγορίθμου SFFS, βελτίωσε την απόδοση του κατηγοριοποιητή δίνοντας ποσοστό επιτυχίας 87,5%, χρησιμοποιώντας γραμμικό και multilayer perceptron πυρήνα.

The scope of this thesis was the development of a classification method based on evoked potetials in order to discriminate observations from correct or wrong actions. For this purpose, EEGs of 16 people, which contained 47 signals from the electrodes, were placed in specific parts of the skull. Specifically, to improve the performance of the classifier and to remove redundant data attributes, the selection method of features Serial anterior Variable Selection (SFFS) was used. Then, the unsupervised learning algorithm SVM (Support Vector Engine) was used to classify the data. The selection of the characteristics using the algorithm SFFS, improved the performance of the classifier to yield a success rate of 87.5%, using a linear and multilayer perceptron kernel.