A data mining application on cognitive EEG recording

Abstract

Bilgisayar ve veri saklama teknolojilerinin gelişmesi veriyi günlük hayatta daha kullanışlı hale getirmek için yeni tekniklerin ortaya çıkmasına sebep olmuştur. Özellikle karmaşık istatistiksel yöntemler, büyük miktarlardaki veriler üzerinde daha kolay uygulanabilir hale gelmiştir. Veri Tabanlarında Bilgi Keşfi ya da Veri Madenciliği isimli bu yeni yaklaşım her alana birçok avantaj getirmiştir. Bu sayede veriden tecrübeye geçiş sağlanmıştır. İnsan vücudu kendi içinde alt sistemleri olan ve çeşitli türlerde veriler üreten bir sistemler bütünüdür. Beyin başlı başına önemli hayati organlardan birisidir. Karmaşık iletişim mekanizmalarına ve henüz keşfedilmemiş birçok bölgeye ve işleve sahiptir. Elektroensefalografi (EEG) beyindeki elektriksel aktivitenin görüntülendiği bir yöntemdir. EEG tekniğinde, kafa üzerine yerleştirilen bir başlıktaki potansiyel fark alıcıları (elektrotlar), beynin bir işlevi ya da uyku sırasında üretilen küçük voltaj değişikliklerini zaman üzerine kaydederler. Bu veriler epilepsi, uyku bozuklukları, biyofizik, nöroloji başta olmak üzere birçok alanda kullanılmaktadır. Bu tez, veri madenciliği yöntemlerinin bazılarını dikotik dinleme testi sırasında kaydedilen EEG verileri üzerinde uygulamayı hedeflemektedir. EEG verisi detaylı olarak incelenmiş, analiz edilmiş, parçalara ayrılmış ve etiketlendirilmiştir. Farklı uyaranların etkisiyle oluşan tepkileri ve farklı elektrotlardaki sinyalleri karşılaştırmak ve benzerlik ya da benzemezliği tespit etmek üzere ZM istatistiği temel araç olarak kullanılmıştır. ZM istatistiği sinyallerin şiddet benzerliğini belirlemede güçlü bir araç olmasına karşın şekil benzerliğini tespit etmede güçlü değildir. Tezde bu eksikliği gidermek amacıyla sinyallerin davranış benzerliğini de bulabilmek için veriler fark sinyallerine dönüştürülmüştür. ZM istatistiğini dönüştürülen verilere uygulayarak daha güvenilir sonuçlar elde edilmiştir. Dönüşümden önce bulunamayan benzerlikler fark edilir olmuştur. Verinin bu şekilde düzenlenmesiyle farklı büyüklüklerde benzer davranış gösteren sinyaller de belirlenebilmektedir. Bunun yanısıra, elde edilen benzerliği desteklemek amacıyla elektrotlar arasında bir kümeleme çalışması da gerçekleştirilmiş ve dendrogram grafiği ile sunulmuştur. Development of computer and data-storage technology caused new techniques to arise to get these data useful in daily life. Especially complex statistical methods became easily usable on large amounts of data. This new approach (named as Knowledge Discovery in Databases or Data Mining) came with many advantages for every domain. It provided the transition from data to knowledge. Human body is a complex system with subsystems in itself generating many data in various types. Brain is individually one of the vital parts of human body. It has complex communication mechanisms and many unexplored regions and functions. Electroencephalography (EEG) is a method which is used to present the electrical activity of the brain. In EEG technique, electrodes located on head receives small voltage changes produced by brain over time during a process or even in asleep. These data are used for many areas in especially epilepsy, sleep disorders, biophysics, neuroscience, etc. This thesis aims applying some of the data mining methods on EEG data recorded during dichotic listening test. EEG data were examined in detail, analysed, partitioned and labelled. Statistical similarity measure ZM statistic was used as a tool for comparing the similarity or dissimilarity of signals received from different electrodes for different dichotic stimuli. ZM statistic is a powerful tool in identifying similarity of signals in amplitude but not in shape. To avoid this deficiency data were transformed into difference signals to detect the behavioural similarity. Applying ZM to this transformed signals gave more reliable results in signal similarity. Some of the similarities which were not found before transformation arose in the transformed signals similarity. By this adjustment of data, signals moving together in different amplitudes were also detected. Besides, a clustering was performed on electrodes using dendrogram visualization to support the similarity results.