Hayali Konuşma EEG Sinyallerinde Referans Tabanlı Öznitelik Analizi ve Sınıflandırma Modelleri

Ekim G., İkizler N.

All Science Academy, Konya, 2026

  • Yayın Türü: Kitap / Araştırma Kitabı
  • Basım Tarihi: 2026
  • Doi Numarası: 10.5281/zenodo.21850020
  • Yayınevi: All Science Academy
  • Basıldığı Şehir: Konya
  • Karadeniz Teknik Üniversitesi Adresli: Evet

Özet

Hayali konuşma EEG sinyallerindeki düşük sinyal-gürültü oranı, durağan olmayan yapı ve aynı sınıfa ait kayıtlar arasındaki yüksek değişkenlik, güvenilir öznitelik çıkarımını ve doğru sınıflandırmayı zorlaştırmaktadır. Bu kitapta, EEG kayıtlarını sınıfa özgü spektral örüntülere göre tanımlayan Varyasyonel Kip Ayrıştırması tabanlı bir referans öznitelik yaklaşımı ele alınmıştır. Her sınıf ve kanal için referans alt kümesinden oluşturulan referans sinyalinin güç spektral yoğunluğu Welch yöntemi kullanılarak hesaplanmış, eğitim ve test örnekleri dört Varyasyonel Kip Ayrıştırması kipine ayrılarak ilgili referans spektrumlarıyla karşılaştırılmıştır. Üç zaman alanı ve dört spektral öznitelik çıkarılarak 28 boyutlu öznitelik vektörü elde edilmiştir. Fisher skoru kullanılarak en ayırt edici öznitelikler seçilmiş ve Rastgele Orman, Lojistik Model Ağacı, Destek Vektör Makinesi, k-En Yakın Komşu ve Derin Sinir Ağı sınıflandırıcılarıyla değerlendirilmiştir. Bulgular, referans tabanlı spektral karşılaştırmanın yalnızca Varyasyonel Kip Ayrıştırması kiplerinden elde edilen başlangıç özniteliklerine kıyasla daha ayırt edici bir öznitelik uzayı oluşturduğunu göstermiştir. Lojistik Model Ağacı ve Rastgele Orman çoğu kanalda genel olarak daha yüksek ve daha kararlı sonuçlar üretmiştir. Kitapta sinyal ayrıştırma, referans oluşturma, öznitelik seçimi ve sınıflandırma süreçleri ayrıntılı olarak incelenmiş; yaklaşımın sınıf içi spektral tutarlılık, kanal seçimi ve referans tabanlı özniteliklerin ayırt ediciliğini analiz etmek için etkili bir analiz çerçevesi sunduğu gösterilmiştir.


 


The low signal-to-noise ratio, non-stationary nature, and high variability among recordings belonging to the same class in imagined speech EEG signals make reliable feature extraction and accurate classification challenging. This book presents a reference-based feature extraction approach based on Variational Mode Decomposition (VMD) that characterizes EEG recordings according to class-specific spectral patterns. For each class and channel, the power spectral density of the reference signal constructed from a dedicated reference subset was estimated using Welch’s method, and the training and test samples were decomposed into four VMD modes and compared with their corresponding reference spectra. Three time-domain and four spectral features were extracted to obtain a 28-dimensional feature vector. The most discriminative features were selected using the Fisher score and evaluated with Random Forest, Logistic Model Tree, Support Vector Machine, k-Nearest Neighbor, and Deep Neural Network classifiers. The findings demonstrated that the proposed reference-based spectral comparison produced a more discriminative feature space than the baseline features obtained solely from the VMD modes. Logistic Model Tree and Random Forest generally achieved higher and more consistent performance across most channels. The book comprehensively examines the processes of signal decomposition, reference construction, feature selection, and classification, demonstrating that the proposed approach provides an effective analytical framework for evaluating within-class spectral consistency, channel selection, and the discriminative capability of reference-based features.