Eeg sinyallerinin sınıflandırma performansını yeni bir rastgele alt küme kanal seçim yaklaşımıyla geliştirme: Tat, koku ve motor hayaline dayalı veri kümelerinde uygulamalar

Beyin-bilgisayar arayüzü (BBA) sistemlerinin performansını artırmak ve nörolojik hastalıkların erken teşhisini mümkün kılmak, günümüz nörobilim ve sinir mühendisliği alanlarında kritik bir araştırma konusu haline gelmiştir. Bu çalışmada, EEG sinyalleri için öznitelik çıkarma ve sınıflandırma yöntemlerinin performansı çeşitli veri kümeleri kullanılarak değerlendirilmiştir. Üç farklı veri kümesi üzerinde inceleme yapılmıştır: 10 denekle tat temelli, 5 denekle koku temelli ve 29 denekle motor hayali EEG verileri. Tat verileri için Hilbert Dönüşümü (HD), koku verileri için Dalgacık Paket Ayrıştırması (DPA) ve motor hayali verileri için HD yöntemleri uygulanmıştır. Önerilen Rastgele Alt Küme Kanal Seçimi (RAKS) yöntemi, sıralı arama yöntemleriyle karşılaştırılmış ve en etkili kanallar belirlenmiştir. RAKS yöntemi, tat veri setinde %82 doğruluk sağlarken %37,9 oranında işlem karmaşıklığını azaltmıştır. Koku veri setinde %98,38 doğruluk ve %89.09 işlem karmaşıklığı azalması elde edilmiştir. Motor hayali veri setinde ise %81,56 doğrulukla sıralı yöntemlerden daha üstün performans sergileyip işlem karmaşıklığını %75 oranında azaltmıştır. Sonuç olarak, önerilen RAKS yöntemi, geleneksel sıralı yöntemlere kıyasla hem sınıflandırma doğruluğunu artırmakta hem de işlem karmaşıklığını azaltmaktadır. Bu yöntem, EEG sinyalleri başta olmak üzere BBA sistemlerinin performansını iyileştirme potansiyeline sahip olup, nörolojik hastalıkların tespiti ve erken teşhisinde önemli katkılar sunmaktadır.