Mücahid Günay Accepted: January 2011

Transkript

1 ISSN: e-journa of New Word Scences Academy 011, Voume: 6, Number: 1, Artce Number: 1A0169 ENGINEERING SCIENCES Oğuzhan Özer Receved: October 010 Mücahd Günay Acceted: January 011 Ahmet Akan Seres : 1A Kahramanmaras Sutcu Imam Unversty ISSN : akan@ksu.edu.tr Kahramanmaras-Turkey EEG İŞARETLERİNİN SINIFLANDIRMA VE KÜMELEME TEKNİKLERİ İLE ANALİZİ ÖZET Bu çaışmada, sağıkı ve ees hastası oan kşerden aınan EEG şareter farkı önşeme ve sınıfandırma yöntemer kuanıarak anaz edmş ve bu yöntemern başarı oranarı karşıaştırımıştır. EEG şareternn sınıfandırıması veya öbekeştrmes çn özntek çıkarım (Ortaama Mutak Değer (OMD, Yue-Waker AR ve Kovaryans AR, öbekeştrme (K-Ortaama, Buanık C-Ortaama (BCO ve sınıfandırma (Destek Vektör Anaz ve Lneer Dskrmnant Anaz metotarı kuanımıştır. Ede eden yüksek sınıfandırma basarım sonuçarı karşıaştırmaı oarak vermştr. Anahtar Kemeer: EEG, Ees, LDA, DVM, K-Ortaama ANALYSIS OF EEG SIGNALS BY USING CLASSIFICATION AND CLUSTERING METHODS ABSTRACT In ths study, norma and eetc EEG sgnas are anayzed by usng dfferent rerocessng, cassfcaton/custerng methods and resuts are comared. Mean absoute vaues and arametrc modes such as Yue-Waker AR and Covarance methods are used for the feature extracton. For the cassfcaton of EEG sgnas Lnear Dscrmnant Anayss, Suort Vector Machne (SVM methods are used. Custerng technques such as K-means and Fuzzy C-means are aso used for the anayss of the EEG sgnas. The comaratve resuts confrmed that the roosed methods acheved hgh cassfcaton rates. Keywords: EEG, Eesy, LDA, SVM, K-Means

2 e-journa of New Word Scences Academy 1. GİRİŞ (INTRODUCTION İnsan beyn tarafından üreten EEG şareter günümüzde araştırmacıarın artan br g e nceedker br konudur. Beynn faayeter hakkında detayı bg ednme ve tıbb anazer çn bu şaretern nceenmes önemn korumaktadır. Son zamanarda araştırmacıarın bu şareter hang amaç çn çözümemeye çaıştıkarına brkaç örneke bakacak our sek; Atunay ve ark. (010, Doğrusa Kestrm Hata Enerjs Kuanarak Eetk EEG Agıama konuu br makae yazmışardır. EEG şareternden eetk nöbeter ayırmak çn br yöntem önermşerdr. Bu amaça, EEG şareter üzerndek svr ve keskn dagaarın varığını test etmek çn doğrusa kestrm ftres kuanmışardır. Doğrusa kestrm hatası enerjs anaznn zaman-sers şaretere uyguanacak en y yöntem oduğunu öne sürmüşerdr. Bu anazde encereeme yaımış ve her encere çn br katsayı set ouşturumuştur. Öngörüen hata snya üzernde; svrkern ve dğer nöbetere at keskn dagaarın varığı moden başarısını artırdığını ve ftre kestrm hatasını azattığını er sürmüşerdr. Nöbet esnasındak hata şaretne at enerjnn, nöbetsz araıkara göre yüksek oduğundan bahsetmşerdr. Bu enerjnn nöbet araıkarını bumada kuanıabeceğn düşünmüşerdr. Yöntemern 50 farkı EEG şaret üzerne uyguamışardır. Kuandıkarı bu yönteme, nöbet varığını test etme başarısını %93,6 oarak bumuşardır. Ees nöbetern test etmede önerdker yöntemnn etkn oduğunu de getrmşerdr [1]. Naghsh-Nch ve Aghashah (010, Ees Nöbet Agıamada, Öz- Sstem Sektra Kestrm ve Çok Katmanı Ger Yayıım Snr Ağı Kuanımı konuu makae e yen br yakaşımdan bahsetmşerdr. Öz-vektör (EV, çoku snya sınıfandırma (MUSIC ve çoku katmanı agıayıcı (MLP snr ağının tanımını yamışardır. Bu yakaşımda, EEG snyan at-bantara ayırmışar ve daha sonra bu at bantardan br özek set (maksmum, entro, ortaama, standart sama ve hareketk ouşturmuşardır. Daha sonra bu özek vektörü, MLP snr ağı e EEG snyan üç farkı duruma ayırması çn uyguanmıştır. Bu durumar; norma, nöbet arası ve nöbet oarak tanımanmıştır. Bu yöntem e %97,5 doğruuk ve %0,095 varyans ede ettkernden bahsetmşerdr. Bu yöntem, yüksek doğruuk başarısı, hızı sonuç vermes ve düşük oranda hataı sınıfandırma yaması doayısıya, gerçek zamanı kronk bozukuğu test çn önermşerdr []. Nasbov ve Uutagay (010, Beyn Aktvtesne At Bsektra İndeks Dzsnn Karşıaştırmaı Kümeeme Anaz konuu makae yazmışardır. EEG ye at br arametre oan bsektra ndeks öçüern (BIS kuanmışardır. BIS beyn üzerndek sedasyonu, bnç ve beek ekskğn ve beyn üzerndek anestezk etker zemek çn tasaranmıştır. Çaışmaarında, BIS sers verern anaz çn kümeeme yöntem kuanmışardır. Önerdker yöntemn kararı süre araıkarını ve BIS aşamaarını teşhs etmede daha gerçekç sonuçar verdğnden bahsetmşerdr [3]. Mrowsk ve ark. (009, Nöbet Kestrm İçn EEG Senkronzasyonu Örüntüernn Sınıfandırıması konuu br yazı yazmışardır. EEG den nöbet kestrmnde buunmak çn k değşken öçümern kuanışı oduğundan bahsetmşerdr. Sato-temora k değşken özekern çok yüksek boyutu omasından doayı kask statstkse yöntemere anaz edemeyeceğn er sürmüşerdr. Doayısıya state-of-art makne öğrenm yöntemn önermşerdr. 1 hastadan aınan EEG senkronzasyonundan ede eden k değşken özekerden (çaraz koreasyon, doğrusa omayan karşııkı bağımıık, dnamk sürükenme veya dagacık senkronzasyonu br ver set ouşturmuşardır. Br örüntü ouşturmak çn tüm kana çfternden ve frekansardan ardışık zaman noktaarında, özeker toanmıştır. Hastaya-öze, makne öğrenme tabanı sınıfandırıcıar (destek vektör makneer, ojstk regrasyon ve katamaı snr ağarı re-kta ve nter-kta evreern ayırt etmes 478

3 Genk Genk e-journa of New Word Scences Academy çn eğtmştr. Önerdker yöntemn başarısının %71 oduğunu 15 hasta üzernde görmüşerdr. Sato-temora dnamkern öğrenmesnn, hastaya özgü nöbet berternn yakaaması çn nceemeye değer oduğunu er sürmüşerdr [4]. Gandh ve ark. (010, EEG İşaretndek Eetk Aktvtenn Test İçn Uzman Mode konuu makaeernde çok hızı ve yüksek doğruukta eetk nöbet test yaan yen br yakaşım öne sürmüşerdr. Bu yakaşımda ayrık dagacık dönüşümü, ayrıştırma ağacının her br düğümü çn enerj kestrm ve oasııksa snr ağarı kuanımıştır. Ayrık dagacık dönüşümü atıncı düzeye kadar kuanımıştır. Tüm ağaç düğümernn dagacık katsayıarının tahmn enerjer br özek vektörü oarak kuanımıştır. Bu vektör, EEG kaydı çndek aktvteer karakterze etmek çn kuanımıştır. Sınıfandırma başarısını artırmak çn öneren oasııksa snr ağı on kat çaraz uzman mode oarak uyguanmıştır. Bu an hem norma hem de eetk bozukukarı oan breyerden aınan EEG snyaerne uyguanmıştır. Öneren yöntemn doğruuğunun %99,33 ve özgünüğünün %99,6 oduğundan bahsetmşerdr. Yüksek başarısından doayı uzman nöroog buunmayan yererde kuanıabeceğn öne sürmüşerdr [5].. ÇALIŞMANIN ÖNEMİ (RESEARCH SIGNIFICANCE EEG (eektroensefaogram beyn üzernden aınan byoeektrkse şaretere veren addır. Bu şareter, beyn aktvtes hakkında bger çerdğnden beynn faayeterne at bozukukarın teşhsnde sıkıka kuanımaktadır. Nöroojde EEG nn teme uyguaması ees tanısıdır. Ees, beynde buunan snr hücreernn norma omayan br şekde eektro-kmyasa deşarj yaması sonucu ouşan nöroojk br hastaıktır. İknc knk kuanımı koma, ensefaoat ve beyn öümüdür. Beyndek snrse aktvtenn yüksek mktarda ve kontrosüz yayıımıya ortaya çıkar. Geçc bnç kaybına neden our. Odukça komeks br yaıya sah oan EEG şareternn anaznde farkı özntek çıkarımı e sınıfandırma teknker kuanıır. Önşeme veya özntek çıkartımı ve br sonrak adım oan sınıfandırma veya karar verme sürec, kuanıan agortmaara bağı oarak farkı başarı sonuçarı vermektedr. 3. ANALİTİK ÇALIŞMA (ANALYTICAL STUDY 3.1. Ver (Data Bu çaışmada kuanıan EEG verer değşk yaşardan sağıkı ve hasta (ees geçren kşere attr. Kuanıan EEG şareter 3.6 sanyek böümer hande ou, 173 Hz k örnekeme frekansıya örnekenmştr. Uusararası 10-0 eektrot yereştrme düzenne göre toanmış oan verer, 1 btk anaog-sayısa dönüşümden sonra örnekenerek kaydedmştr. Verer Hz k band geçren ftreden geçrerek, EEG dek knk gnn odakandığı araığın varığı sağanmıştır. 100 adet eetk 100 adet norma EEG şaret kuanımıştır [6] (a (b Şek 1. Örnek EEG vers (a Eetk (b Norma (Fgure 1. Same EEG data(a Eetc (b Norma 479

4 e-journa of New Word Scences Academy 3.. Metot (Method Bu çaışmada, önşeme ve sınıfandırma teme aşamaarı ouşturmaktadır. EEG şaretnden ouşan ver setne farkı önşemer uyguandıktan sonra, sınıfandırma ve kümeeme çn brkaç değşk yöntem kuanıdı. Sınıfandırma sonucu ver setndek şareter, sağıkı ve eetk oarak ayrıdı. Sonuçar, kısmında önşem ve sınıfandırma sonuçarı, gerçek ver setnn sınıfarı e karşıaştırıdı (Şek. Şek. Uyguanan yöntemern /agortmaarın sırasıya gösterdğ dyagram (Fgure. Dagram showng the aed agorthms/methods Ortaama Mutak Değer (Mean Absoute Vaue EEG şaretern anaz etmek çn özntek çıkartma şem odukça önemdr. Bu amaça çok farkı özek çıkarım metotarı kuanıabr. Her ön şeme yöntemnn başarıarı farkı omaktadır. Bu çaışmada özek çıkarımı amacıya şaretn boyutu azatıarak 16 adet değer ede edmştr. Her br değer 56 örnekk encereern mutak değernn ortaamasıdır(ortaama Mutak Değer, OMD. Sonuç oarak her br şaret çn 16 örnekk özek vektörü ede edmştr. Ede eden özeker kuanıarak k tür şaretten ouşan EEG vers öbekeştrme ve sınıfandırma şemerne çn hazıranmıştır [7] Özbağanımı Kovaryans Yöntem (Covarance AR Method Özbağanımı (AR Kovaryans yöntem, arametrk metotardan brdr. Mode arametreer, doğrusa denkemern çözümüye ede eddğ çn çok sık kuanımaktadır. Br ver, grş beyaz gürütü, çıkışı tüm-kutuu ayrık ftre oacak şekde modeenebr. Bu bağamda dereces oan AR mode, ( n a( k x( n k w( n k 1 x (1 fades e ouşturuur. Özbağanımı sektra yöntemde, mode katsayıarı a(k ve varyansı σ oan se w(n beyaz gürütüdür. Özbağanımı mode; AR(, {a[1],a[],...,a[], σ } AR mode arametreer e fade edr. Kovaryans yöntem, özbağanımı sektra anaz yöntemernden brdr. Bu yöntemde, tüm ver noktaarının hata tahmn güç kestrmnn hesaanması gerekdr. Özbağanımı arametre tahmner kuanarak sektra yoğunuk şu şekde fade edr [8-11]. P cov ( f ( 1 a( k ex( jfk k 1 Br önşeme yöntem oarak şarete uyguanmış ve her br şaret çn 16 adet katsayı ede edmştr. 480

5 e-journa of New Word Scences Academy Yue-Waker AR Yöntem (Yue-Waker AR Method Özbağanımı Yue-Waker metodu çn MATLAB TM Sgna Processng Toobox rutner kuanımıştır. Br dzsnn AR modende mevcut çıkışı, öncek çıkışarıya beyaz br gürütü grşnn toamının doğrusa kombnasyonudur. Öncek çıkışarı üzerndek ağırık, otoregresyonun kareernn ortaamasının tahmn hatasını en aza ndrr. Şayet y[n] çıkışın mevcut değer ve x[n] de sıfır ortaamaı br beyaz gürütü grş se, AR( mode şu şekde oacaktır: k0 a[k]y[n - k] x[n] (3 Br önşeme yöntem oarak şarete uyguanmış ve her br şaret çn 16 adet katsayı ede edmştr Kümeeme Anaz (Custrng Method Kümeeme anaz danışmansız sınıfandırma metotarındandır. Özek vektörernn sınıfandırıması, eğtm aşaması omadan yaıır. Burada ası kavram kümeenecek verer arasındak benzerktr. Verern brbrerne benzerkerne göre kümeeme şem gerçekeştrr K-Ortaama (K-Means Method K-ortaama, verer kendsne en yakın merkezn oduğu kümeye atayan agortmadır. Aynı kümedek tüm verern ortaaması merkez bertr. K- ortaama, büyük ver setern öbekeştrmek çn bast ve hızı br yöntemdr. Fakat her koşturumada aynı sonucu üretmemektedr. Çünkü kümeer başangıçta rasgee atamaktadır. Kümeer ç varyansı mnmze eder fakat varyansın goba mnmum durumunu garant etmez. Özek vektör kümesn ası yaısındak kümeere ayrıştıran bu statstkse yöntem çok değşk aanarda ve amaçara kuanımaktadır. Bu, çzeben, görse oarak göstereben ve her kümenn br nesne sınıfı oarak kabu edebdğ k boyutu vektörerde odukça koaydır. Benzerk, vektörer arasındak uzakıka şkdr. x ve y k vektör se bunarın arasındak uzakık ökd uzakığı oarak bnr ve d(x,y e gösterr. n d( x, y ( x y (4 1 Burada x ve y vektörernn uzunuğu n dr. Ökd uzakığı se aşağıdak formüde gösteren daha gene uzakık öçü yaısının = çn ede edmş öze br türüdür. d( x, y n 1/ ( ( (5 1 x y Cty bok mesafes çn se =1 oarak aınır. d(x,y değer küçükse g vektörer arasında benzerğn büyük oduğunu fade ederken, d(x,y değer büyükse benzerğn az oduğunu fade eder [1]. Değşk erformans göstergeer e kümeeme fonksyonunun başarısı öçüebr. Bu göstergeerden sıkça kuanıanarından br karese hataarın toamı erformans ndeks uyguamasıdır ve kümeeme başarısı hakkında önem br bg verr. Karese hataarın toamı; J N c j1 xs j x m j (6 fadesye verr. N, küme aan sayısını, Sj se J. kümedek örnek setn bertmektedr. 481

6 m j 1 N j xs j x e-journa of New Word Scences Academy Bu formü se Sj vektörünün örnek ortaamasıdır ve Nj de Sj dek örnek sayısıdır Buanık C-Ortaama (Fuzzy C-Means Method Mantıksa oarak, br nesnenn br sınıfa at oma durumuna doğru omama durumuna yanış denebr. Esasen br nesnenn, herhang br sınıfa tam anamıya attr denmes ek mümkün değdr. Burada br nesnenn herhang br sınıfa at oma derecesnden bahsedebr. Bu at oma dereces, Buanık tabanı agortmaara berenebr. At oma dereces 0 e 1 arasında değerer amaktadır. Kısaca buanık agortmaarda, br nesnenn (veya şaretn at oduğu sınıf ve o sınıfa oan adyetk dereces berenebmektedr. Adyetk derecesne, br sınıfa oan adyetk değer de denebr. Doayısıya buanık agortmaar, dğer kask sınıfandırma agortmaarına orana daha faza bg çerr. Kümeeme yöntem, eğtcsz sınıfandırma yöntemerden brdr. Eğtcsz agortmaar, ver setn kender düzener. Bu düzenemeye özntek uzayının kümeenmesn de eğtm agortmaarda berenen eğtm aanından bağımsız br şekde ouştururar. Kümeeme agortmaarını, sürek örnekeme yaıan öçümere uyguamak mümkündür. Doayısıya hem mevcut kümeern sürek farkı kombnasyonu, hem de yen kümeern ouşturuması sağanır. Bu sebee, aynı sonuçarı verecek oan zaman-sers yen öçümer, aynı kümeye dâh edecektr. Tam durağan veya tam sürek denemeyen byoojk şaretern sınıfanmasın da uyaramaı(adatf küme ouşturabmes açısından buanık agortmaar daha etkn kuanıabr [13]. Buanık C-Ortaama Yöntem: küme sayısı G, ver sayısı, ver nds k, küme nds, buanıkığı artırmada kuanıan kontro arametres r [r Є (1, ] omak üzere; r ( zk xk k1 (8 ( z r k1 k d k, k. eemana at vektörün. kümeye oan ökdyen uzakığı (7 d k T ( x ( x (9 k k ; µ, sınıf merkez omak üzere, kümeere oan üyek değerer se z k dr [13]; z k G j1 1 d d k kj r1 k 1,,..., 1,,..., G ( Sınıfandırma Anaz (Cassfcaton Method Lneer Dskrmnant Anaz (Lnear Dscrmnant Anayss Dskrmnant anaz, statstkse sınıfandırma yöntemernden brdr. Dskrmnant fonksyonarının buunması çn eğtm vers kuanır. Dskrmnant fonksyonarı farkı sınıfar e kestrm uzayı arasındak sınırarı berer. Sınıfandırıcı, kestrm vererne dayanarak sınıfar arasında ayırım yaar [14]. Özek vektörer 48

7 e-journa of New Word Scences Academy sınıfandırıcı tarafından sağanır. Bu anazde sınıfandırıcının eğtm daha hızı ve uyguaması daha basttr. Dskrmnant anazn beş farkı tnden br oan neer dscrmnant anaz EEG şaretnn tanımanmasında kuanımıştır. Lneer dskrmnant fonksyonu, kovaryans matrsn gene kestrmye her gru çn çok değşken norma yoğunuğu varsayar. Dskrmnant fonksyonu, nesneer arasındak ayrımı maksmum yaacak şekde ede edr. Bu amaça, 1 ( W B I V 0 (11 denkem nceenr. Burada W, gruar ç kare toamı matrs; B se gruar arası kare matrsdr. (11 numaraı denkem çözmek demek W 1 B nn özdeğer ve özvektörern bumak demektr. Buradan ede eden λ değerer özdeğerer; V se özvektörer göstermektedr. Bu özvektörer kuanıarak dskrmnant değşkener (1 numaraı denkemdek gb hesaanabr. Bu özvektörer kuanıarak dskrmnant değşkener (1 numaraı denkemdek gb hesaanabr [15]. Y v X v X v X 1 1,1 1 1,... 1, Y v X v X v X,1 1,..., vs, 1X1 vs,x... v Y s s, X ( DVM Sınıfandırıcı (Suort Vector Machne Vank (009, destek vektör maknes adında yen br hesaama metodu er sürmüştür [16]. Teors, yıarı arasında geştrmştr [17]. DVM, grş versn (n boyutu br özek uzayı oarak ee aır. Bu uzayı kye ayıran (n-1 boyutu br her düzem ouşturur. n-boyutu grş dzs x (=1,,, (sınıf-1 ve sınıf- oarak y matrs tarafından sınıf-1 çn y =1 sınıf- çn y =-1 oarak etketenr. Doğrusa oarak ayrıan verer çn br her düzem tanımanabr. f ( x x b x n b 0 1 (13 ω, n-boyutu br vektör, b skaer br değerdr ve bunar her düzemn ozsyonuna karar verr. Sgn(f(x fonksyonu karar fonksyonudur. Ayırama şem tamamen yaan her düzem ber sınırara uymak zorundadır. f ( x x b 1 y 1 y ( x b 1 0 f ( x x b 1 y 1 (14 Ayırıcı maksmum sınırarı ouşturan herdüzem e otma herdüzem denr. Burada ξ bağımsız değşken, C se error enatı yı gösterr. Otma herdüzem n mnmze edmş çözümü şöyedr: (, 1/ ( C( 1 (15 Şu koşua: y [( x b] 1, 1,,..., (16 ξ sınır e sınırın dğer tarafındak örnek x arasındak mesafey öçer. Bu hesaama aşağıdak gb sadeeştrebr. 1 V ( j y y jk( x. x j 1, j1 (17 Şu koşua: 483

8 e-journa of New Word Scences Academy 1 y 0, C 0, 1,,..., (18 Çekrdek fonksyonu oarak adandırıan K(x.x j fonksyonu, orjna data noktaarının özek uzayı hartaarının nokta çarımını döndürür. Bu nedene ver kümesnn tüm eemanarı eğtm çn kuanımıştır. Böyece manüe seçmere göre daha az hata oranı ede edmştr; fakat hata oranarı arasında rastgee seçmden kaynakanan çok küçük farkııkar buunabr [18]. 4. BULGULAR VE TARTISMALAR (FINDINGS AND DISCUSSIONS Tüm byoeektrkse şaretern şenmesnde oduğu gb EEG şareternn de şenmesnde özntek çıkarımı ve sınıfandırma agortmaarı çok önemdr. Bu çaışmada, özntek çıkartma çn Ortaama Mutak Değer, Yue-Waker ve Kovaryans AR yöntemer kuanımıştır. Ortaama mutak değer yöntem be uzunukta encereeme yaıarak kuanımıştır. Tabo 1. Özntek çıkarma ve sınıfama agortmaarının başarı yüzdeer Tabe 1. Achevements ercentages of feature extracton and cassfcaton agorthms OMD Yue-Waker Kovaryans LDA 86, ,5 DVM Sınıfandırıcı 99, ,5 K-Ortaama Buanık C-Ortaama 79, Tabo 1 de görüdüğü üzere Özbağanımı Yue-Waker ve Kovaryans yöntemer g mode arametreernn kuanımıya br nev boyut azatma yöntemer oarak kuanımıştır. Başarım sonuçarı nceendğnde (Tabo 1, genede OMD nn dğer özntek çıkarım yöntemerne göre daha başarısız sonuçar verdğ görümektedr. Kuanıan sınıfama yöntemer, danışmanı oduğu çn kuanıan danışmansız kümeeme yöntemerne göre daha başarıı omuştur. 5. SONUÇLAR (CONCLUSIONS Şek 3 te kuanıan önşeme yöntemernden ede eden özntek vektörernn sınıfama ve kümeeme başarı oranarı grafğ vermştr. Test eden EEG vers ve uyguanan önşeme yöntemerne göre bütün yöntemer görece oarak başarıı sonuçar vermş omaka brkte en başarıı yöntemn DVM sınıfandırıcı oduğu görümektedr. Şek 3. Özntek çıkarma ve sınıfama agortmaarının başarı düzeyer. Fgure 3. Achevement eves of feature extracton and cassfcaton agorthms 484

9 e-journa of New Word Scences Academy KAYNAKLAR (REFERENCES 1. Atunay, S., Teatar, Z., and Eroğu, O., (010. Eetc EEG detecton usng the near redcton error energy. Exert Systems wth Acatons, 37, : Naghsh-Nch, A.R. and Aghashah, M., (010. Eesy sezure detecton usng egen-system sectra estmaton and Mute Layer Percetron neura network. Bomedca Sgna Processng and Contro, 5, : Nasbov, E.N. and Uutagay, G., (010. Comaratve custerng anayss of bsectra ndex seres of bran actvty. Exert Systems wth Acatons, 37, : Mrowsk, P., Madhavan, D., Lecun, Y., and Kuznecky, R., (009. Cassfcaton of atterns of EEG synchronzaton for sezure redcton. Cnca Neurohysoogy,10, : Hsu, W.Y., (010. EEG-based motor magery cassfcaton usng neuro-fuzzy redcton and waveet fracta features. Journa of Neuroscence Methods,(baskıda. 6. Andrzejak, R.G., Lehnertz, K., Reke, C., Mormann, F., Davd, P., and Eger, C.E., (001. Indcatons of Nonnear Determnstc And Fnte Dmensona Structures In Tme Seres Of Bran Eectrca Actvty: Deendence On Recordng Regon And Bran State, Phys. Rev. E, 64, Günay, M. ve Akan, A., (009. EMG İşareternn K-Ortaama Agortması Kuanıarak Öbekeştrmes. KSÜ Mühendsk Bmer Dergs, 1(, ss: Akan, A. and Kıymık, M.K., (006. Comarson of AR and Wech Methods n Eetc Sezure Detecton. J Med Syst,30, : Bronzno J.D., (006. The Bomedca Engneerng handbook. IEEE Pres. 3rd edton. 10. Proaks, J.G. and Manoaks, D.G., (1996. Dgta Sgna Processng Prnces. Agorthms and Acatons. Prentce-Ha, New Jersey. 11. Ubey, E.D. and Guer I., (004. Seecton of otma AR sectra estmaton method for nterna carotd artera Doer sgnas usng Cramer-Rao bound. Comut.Eectr.Eng., 30, : Engehart, K., Hudgns, B., and Parker, P.A., (001. A Waveet-based contnuous cassfcaton scheme for mutfuncton myoeectrc contro. IEEE Transactons on Bomedca Engneerng, 48, : Koçyğt, Y. ve Korürek, M., (005. EMG şaretern dagacık dönüşümü ve buanık mantık sınıfayıcı kuanarak sınıfama. tü dergs mühendsk, 3, ss: Cao, J. and Sanders, D.B., (1996. Mutvarate dscrmnant anayss of the eectromyograhc nterference attern: statstca aroach to dscrmnaton among contros, myoathes and neuroathes. Medca and Boogca Engneerng and Comutng Vo.34, 5, : Tatsuoka, M.M., (1971. Mutvarate Anayss: Technques for Educatona and Psychoogca Research. New York: John Wey & Sons, Inc., : Wang, A., Yuan, W., Lu, J., Yu, Z., and L, H., (009. A nove attern recognton agorthm: Combnng ART network wth SVM to reconstruct a mut-cass cassfer. Comuters and Mathematcs wth Acatons, 57, : Qan, H., Mao, Y., Xang, W., and Wang, Z., (010. Recognton of human actvtes usng SVM mut-cass cassfer. Pattern Recognton Letters,31, : Akan, A. and Gunay, M., (010. Identfcaton of EMG sgnas usng dscrmnant anayss and SVM cassfer, ISCSE 010, Aydın/Kuşadası. 485