Detection of directional eye movements based on the electrooculogram signals through an artificial neural network

Erkaymaz, Hande; Özer, Mahmut; Orak, İlhami Muharrem

doi:10.1016/j.chaos.2015.05.033

Cited by 18 publications

(10 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Our system, like most of the available systems in the literature [19][20][21]29,30,38,43], uses a discrete approach, i.e., the user is not free to perform an action when desired, but the action must be performed at a specific time. This affects the agility of the system by increasing the time needed to perform an action.…”

Section: Discussionmentioning

confidence: 99%

“…Once we have calculated the features of each sample, we create a model using that feature values and its class labels. Even though some biosignal-based HCI use other machine learning techniques, such as artificial neural networks [29,36] or other statistical techniques [19], most of the HCI present in the literature use the machine learning technique called Support Vector Machine. We have decided to use SVM because of its simplicity over other techniques, which results in a lower computational cost and excellent performance.…”

Section: Classificationmentioning

confidence: 99%

“…The feature extraction process aims to reduce the dimensionality of the input data without losing relevant information for classification [28] and maximizing the separation between elements of different classes by minimizing it between elements of the same class [27]. To achieve this, several models have been proposed on EOG feature extraction [29][30][31][32]. We employed Support Vector Machine (SVM) to classify the data [33,34], which creates a boundary to split the given data points into two different groups.…”

mentioning

confidence: 99%

See 2 more Smart Citations

Open Software/Hardware Platform for Human-Computer Interface Based on Electrooculography (EOG) Signal Classification

Martínez-Cerveró

Khalili-Ardali

Jaramillo-Gonzalez

et al. 2020

Sensors

View full text Add to dashboard Cite

Electrooculography (EOG) signals have been widely used in Human-Computer Interfaces (HCI). The HCI systems proposed in the literature make use of self-designed or closed environments, which restrict the number of potential users and applications. Here, we present a system for classifying four directions of eye movements employing EOG signals. The system is based on open source ecosystems, the Raspberry Pi single-board computer, the OpenBCI biosignal acquisition device, and an open-source python library. The designed system provides a cheap, compact, and easy to carry system that can be replicated or modified. We used Maximum, Minimum, and Median trial values as features to create a Support Vector Machine (SVM) classifier. A mean of 90% accuracy was obtained from 7 out of 10 subjects for online classification of Up, Down, Left, and Right movements. This classification system can be used as an input for an HCI, i.e., for assisted communication in paralyzed people.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Classificationmentioning

confidence: 99%

mentioning

confidence: 99%

See 1 more Smart Citation

Open Software/Hardware Platform for Human-Computer Interface Based on Electrooculography (EOG) Signal Classification

Martínez-Cerveró

Khalili-Ardali

Jaramillo-Gonzalez

et al. 2020

Sensors

View full text Add to dashboard Cite

show abstract

“…Yapay sinir ağları, biyolojik sinir ağlarından esinlenerek oluşturulan nümerik işlemler yardımıyla öğrenme işlemini gerçekleştirmektedir. Bu öğrenme işlemi ile ekonomi, tıp, mühendislik, endüstri gibi günlük hayatta karşılaştığımız birbirinden farklı doğrusal olmayan problemlerin çözümünde kullanılmaktadır [9,10,11].…”

Section: St Segmentasyonuunclassified

EECP Sistem Uygulamasında ST Segmentinin Yapay Sinir Ağları ile Belirlenmesi

Hasbenlioğlu¹,

Kaya²,

Danışman³

2020

European Journal of Science and Technology

View full text Add to dashboard Cite

Öz Bu çalışmada gelişmiş harici karşı darbe (External Enhanced Counter Pulsation-EECP) cihazının işaret işleme biriminin kardiyovasküler dolaşımın diyastol faz başlangıcını hatasız biçimde tespit edebilmesini sağlamak için elektrokardiyogram (EKG) işaretinin ST parçasının segmentasyonu gerçekleştirilmiştir. EECP cihazı özellikle miyokard iskemisinin non-invazif tedavisinde kullanılmaktadır. Cihaz (EKG) işaretini analiz etmekte ve kan dolaşımının diyastol fazında hastanın alt uzuvlarına bağlı manşonları şişirerek haricen basınç uygulamaktadır. Dolaşımın sistol fazında ise manşonlar söndürülerek harici basıncın ortadan kaldırılması suretiyle sistemik vasküler rezistansın azalması sağlanmaktadır. Bu etki kalbin art yükünün (afterload) düşmesine yol açar. EKG işaretinin QRS parçası ventrikülün (karıncık) kasılmasını başlatır. Bir başka ifadeyle QRS dalgasının ortaya çıkışından hemen sonra kalp kasılması yani sistol fazı başlar. T dalgasının ortaya çıkışını takiben ventrikülün kasılması son bulur. Dolayısıyla EECP cihazının doğru zamanda devreye girmesini sağlamak için ST dalga kompleksinin tespit edilmesi bir zorunluluktur. Yapılan çalışmada ST segmentasyonu için Physio.net'in sağlamış olduğu MIT-BIH Arrhythmia Database kullanılmıştır. Sisteme yüklenen işaretler öncesinde ön işleme tabi tutularak gürültülerden ve baseline kaymalarından arındırılmıştır. Gürültü eliminasyonu ve baseline kayması düzenlenen işaretin P, Q, R, S ve T noktaları tespit edilmiştir. Tespit edilen bu noktalardan P, Q ve R noktalarıyla birlikte bu noktalarla ilişkili 7 nokta daha giriş işaretlerini oluşturarak 10 girişli ve S, T noktalarını belirleyecek şekilde 2 çıkışlı bir ara katmanlı bir yapay sinir ağı oluşturulmuştur. Oluşturulan bu yapıda k cross validation (k katlamalı çaprazlama) yöntemi kullanılmıştır. Sistem eğitiminde sabit eğitim algoritması, farklı k katsayıları, farklı nöron sayıları ve farklı transfer fonksiyonları kullanılarak en iyi yapı elde edilmeye çalışılmıştır. Sabit olarak seçilen eğitim algoritması Levenberg-Marquardt'dır. Yapılan çalışma sonucunda k katlama değeri 5 olarak belirlenmiştir. 25 nöronun kullanıldığı gizli katman için logsig tipi transfer fonksiyonu ve çıkış için poslin tipi transfer fonksiyonu kullanılarak en küçük hatayı veren yapı elde edilmiştir.

show abstract

“…ANN is a mathematical model inspired by the information processing methods of biological nervous systems such as the brain. The ANN architecture of interconnected neurons is structured for specific applications such as data classification [26]. During classification of EDA signals with ANN, Multilayer Perceptron (MLP) method is used.…”

Section: Frequency Analysis Of the Eda Signalsmentioning

confidence: 99%

Analysis of The Electrodermal Activity Signals for Different Stressors Using Empirical Mode Decomposition

İleri¹,

Latifoğlu²

2020

Academic Platform Journal of Engineering and Science

View full text Add to dashboard Cite

In this study, Electrodermal Activity (EDA) signals were analyzed to evaluate the changes between physical stress, cognitive stress, and emotional stress. For this purpose, energy and variance properties of the EDA signals in the time domain were analyzed for each case and as short-time frames. In addition, the EDA signals were decomposed using the Empirical Mode Decomposition (EMD) method, and the sub-band signals were analyzed for each case. Further, the Short Time Fourier Transform (STFT) method was used to analyze the in the time-frequency domain of these signals. Also, according to obtained features, EDA signals were classified to determine the stages. Simulated results show that, the EDA and subband EDA signals were found to be significantly different in terms of cognitive stress (p<0.05). Also, the features obtained from the EMD subbands were classified using Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Multi-Layer Perceptron (MLP) methods for different situations and classifier performances were compared. In the classification of cognitive stress period and first rest period, the best classification performance was achieved as 97.36 %, 84,21 %, and 81,57 % using MLP, SVM and KNN classifier respectively compared to other situations.

show abstract

Detection of directional eye movements based on the electrooculogram signals through an artificial neural network

Cited by 18 publications

References 13 publications

Open Software/Hardware Platform for Human-Computer Interface Based on Electrooculography (EOG) Signal Classification

Open Software/Hardware Platform for Human-Computer Interface Based on Electrooculography (EOG) Signal Classification

EECP Sistem Uygulamasında ST Segmentinin Yapay Sinir Ağları ile Belirlenmesi

Analysis of The Electrodermal Activity Signals for Different Stressors Using Empirical Mode Decomposition

Contact Info

Product

Resources

About