Over the past 2 decades, EEG research has rapidly advanced due to the discov eries of active electrodes, machine learning algorithms and more interest in the field
of neuroscience. This has led to EEG research being much cheaper and accessible, but
due to its stigma of previously being an extremely high-end research field and the
sensitivity of the data required for the research, it has resulted in even more complex
EEG experiments and applications.
This thesis proposes a method of predicting sleep stages using a single EEG
channel input BCI. The experiments were performed on Sleep-EDF’s Sleep cassette
and Sleep telemetry datasets. We used entropy feature extraction to identify different
sleep stages which were then fed into a classifier enabling us to then predict subsequent
sleep stages. Entropy has been proven to be able to numerically depict non-linear time
series data and it has been used in many other EEG BCIs.
Three classifiers were compared to ascertain their various performances. SVM
showed the most stable results at 75 percent prediction accuracy. While KNN has a
higher maximum prediction accuracy than SVM at 88 percent accuracy, it has proven
to be unstable and varies depending on the iterations and number of inputs. The final
classifier used was the NN classifier which should result in the best accuracies com pared to the SVM and KNN at 87 percent or higher prediction accuracies.
The results show that it is indeed possible to predict upcoming sleep stages
with a single EEG channel with accuracies greater than 75 percent depending on the
methods used.
ÖZ:
Son 20 yılda, aktif elektrotların keşfi, makine öğrenme algoritmaları ve
sinirbilim alanına daha fazla ilgi nedeniyle EEG araştırmaları hızla ilerlemiştir. Bu,
EEG araştırmalarının çok daha ucuz ve erişilebilir olmasına yol açtı, ancak daha önce
son derece üst düzey bir araştırma alanı olarak damgalanması ve araştırma için gereken
verilerin hassasiyeti nedeniyle, daha da karmaşık EEG deneyleri ve uygulamaları ile
sonuçlandı.
Bu tez, tek bir EEG kanal girişi BCI kullanarak uyku aşamalarını tahmin etmek
için bir yöntem önermektedir. Deneyler, Sleep-EDF'nin Uyku kaseti ve Uyku telemetri
veri setleri üzerinde yapıldı. Farklı uyku aşamalarını belirlemek için entropi öznitelik
çıkarımı kullandık ve bu aşamalar daha sonra sonraki uyku aşamalarını tahmin
etmemizi sağlayan bir sınıflandırıcıya aktarıldı. Entropinin, doğrusal olmayan zaman
serisi verilerini sayısal olarak gösterebildiği kanıtlanmıştır ve diğer birçok EEG BCI'da
kullanılmıştır.
Çeşitli performanslarını belirlemek için üç sınıflandırıcı karşılaştırıldı. SVM,
yüzde 75 tahmin doğruluğunda en kararlı sonuçları gösterdi. KNN, yüzde 88
doğrulukla SVM'den daha yüksek bir maksimum tahmin doğruluğuna sahip olsa da,
kararsız olduğu kanıtlanmıştır ve yinelemelere ve girdi sayısına bağlı olarak değişiklik
gösterir. Kullanılan son sınıflandırıcı, yüzde 87 veya daha yüksek tahmin
doğruluklarında SVM ve KNN'ye kıyasla en iyi doğrulukla sonuçlanması gereken NN
sınıflandırıcıydı.
Sonuçlar, kullanılan yöntemlere bağlı olarak yüzde 75'ten daha fazla
doğrulukla tek bir EEG kanalı ile yaklaşan uyku aşamalarını tahmin etmenin gerçekten
mümkün olduğunu gösteriyor.
