Determination of Increased Mental Workload Condition From EEG by the Use of Classification Techniques

Adil Deniz Duru
2019 International Journal of Advances in Engineering and Pure Sciences  
Extraction of the information hidden in the brain electrical signal enhances the classification of the current mental status. In this study, 16 channel electroencephalogram (EEG) data were collected from 15 volunteers under three conditions. Participants were asked to rest with eyes open and eyes closed states each with a duration of three minutes. Finally, a task has been imposed to increase the mental workload (MW). EEG data were epoched with a duration of one second and power spectrum was
more » ... puted for each time window. The power spectral features of all channels in traditional bands were calculated for all subjects and the results were concatenated to form the input data to be used in classification. Decision tree, K-nearest neighbor (KNN) and Support Vector Machine (SVM) techniques were implemented in order to classify the one-second epochs. The accuracy value obtained from KNN was found to be 0.94 while it was 0.88 for decision tree and SVM. KNN was found to outperform the two methods when all channel and power spectral features were used. It can be concluded that, even with the use of input features formed by concatenating all subject's data, high classification accuracies can be obtained in the determination of the increased MW state. Beyin sinyallerinin sınıflandırılması kişilerin mental durumu hakkında bilgi sahibi olmamızı kolaylaştırır. Bu çalışma kapsamında onbeş katılımcıdan 16 kanallı EEG verisi üç farklı durum için toplanmıştır. Katılımcılardan üçer dakika gözleri kapalı ve açık şekilde dinlenmeleri istenmiştir. Sonrasında mental işyükünü arttıracak bir ödevde uygulanmıştır. EEG verileri birer saniyelik pencerelere ayrılmış ve her pencere için güç spektrumları hesaplanmıştır. Geleneksel frekans bantlarına ait güç spektrumları her katılımcı için hesaplanmış ve sonuçlar sınıflandırmada kullanılmak üzere arka arkaya getirilmiştir. Karar ağaçları, K-en yakım komşuluk (KNN) ve Destek Vektör Makinaları (DVM) teknikleri birer saniyelik pencere verilerinin sınıflandırılması için uygulanmıştır. KNN için doğruluk değeri 0.94 olurken karar ağaçları ve DVM için 0.88 değerine ulaşılmıştır. KNN yöntemi diğer iki yönteme göre tüm kanalların güç spektrumu kullanıldığı durumda daha yüksek doğruluk oranı vermiştir. Sonuç olarak, tüm katılımcıların verilerinin bir havuza konulup sınıflandırma işlemi yapıldığında dahi yüksek mental işyükü durumunun ayrıştırılabildiği görülmüştür.
doi:10.7240/jeps.459420 fatcat:b5mjn4qcrjekzgeirtj5s3dcnq