EEG İşareti tabanlı anksiyete sınıflandırması için Dalgacık dönüşümü ile öznitelik çıkarma

• Published in: Niğde Ömer Halisdemir Üniversitesi mühendislik bilimleri dergisi
• Main Authors: OMAR, Shams Qahtan Omar, TEPE, Cengiz
• Format: Journal Article
• Language: Turkish
• Published: 15-05-2023
• DOI: 10.28948/ngumuh.1230092
• EISSN: 2564-6605

Anksiyete, üretkenliği ve yaşam kalitesini etkilediği kadar insan yeteneklerini ve davranışlarını da etkiler. Depresyon ve intiharın ana nedeni olarak kabul edilebilir. Günümüzde klinisyenler anksiyete bozukluklarını teşhis etmek için belirli kriterler kullanılmaktadır. Anksiyete tespitinin karmaşık görevini yerine getiren, invaziv olmayan güvenilir tekniklere ihtiyaç vardır. Bu çalışma, elektroensefalografi (EEG) sinyallerini analiz ederek ikili ve dörtlü sınıfları daha az EEG kanalı ve öznitelik sınıflandırmayı amaçlamıştır. 23 kişinin 14 kanallı EEG sinyalini içeren DASPS veri tabanı kullanılmıştır. EEGLAB kullanarak 14 kanaldan 4 kanal seçilmiştir. Öznitelik çıkarımı için dalgacık dönüşümü kullanılmıştır. MATLAB Classification learner toolbox’taki 8 yöntem ile sınıflandırma yapılmıştır. En yüksek doğrulukta başarımlar ikili sınıflandırmada %67,1 doğrulukta Karar ağaçları yönteminde, dörtlü sınıflandırmada %58,5 doğrulukta destek vektör makinesi ile elde edilmiştir.
Anxiety affects productivity and quality of life as well as human abilities and behaviors. It can be considered the main cause of depression and suicide. Clinicians today use specific criteria to diagnose anxiety disorders. There is a need for reliable, non-invasive techniques that fulfill the complex task of detecting anxiety. This study aimed to classify binary and quadruple classes with fewer EEG channels and features by analyzing electroencephalography (EEG) signals. A DASPS database containing 14-channel EEG signals from 23 individuals was used. Using EEGLAB, 4 channels were selected from 14 channels. The wavelet transform is used for feature extraction. The MATLAB Classification learner toolbox contained eight methods for classification. The highest accuracy performances were obtained with the Decision trees method with an accuracy of 67.1% in binary classification, and with a support vector machine with an accuracy of 58.5% in quadruple classification.