COVID-19'lu ortamların dezenfeksiyonu için kullanılan insansız bir kara aracının (İKA) otomatik kontrolü

Abstract

Bu çalışmada, insansız bir kara aracının (İKA) beyin (EEG) sinyalleriyle kontrol edilebilmesi için makine öğrenmesi tabanlı hibrit bir yöntem önerilmiştir. Önerilen hibrit yöntemde, dalgacık dönüşümü ile EEG sinyallerinden gerekli öznitelik vektörleri elde edilmiş ve karar ağacı modeli kullanılarak bu öznitelik sinyalleri sınıflandırılmıştır. Sınıflandırıcı çıkışındaki sinyaller, İKA'nın uygun yönde hareket ettirilebilmesi amacı ile kullanılmıştır. Sistemin eğitimi için 41 kişiden EEG sinyal verileri alınmıştır. Veriler band geçirgen filtreler ile gürültüden arındırılmıştır. EEG sinyallerinden en iyi öz nitelik çıkarımının sağlanabilmesi için sürekli ve ayrık dalgacık dönüşümü yöntemlerinin performansı araştırılmıştır. Baskın özelliklerin yer aldığı bandların eğitim dosyası oluşturulmuştur. Eğitim dosyası k-Katlı Çapraz Doğrulama yöntemi (k-Fold Cross Validation) ile eğitilmiştir. Eğitilen modeller aynı test kümesi üzerinde denenmiş, EEG sinyallerinden elde edilen verilerle, İKA'nın sağ ve sol doğrultuda yönlendirilmesi tahmin edilmeye çalışılmıştır. Sağ ve sol yön tahmini sınıflandırması için bilinen makine öğrenmesi yöntemlerinden performansı en iyi olanın bulunması amaçlanmıştır. Modellerden elde edilen verilerin karşılaştırması sonucunda, ayrık dalgacık dönüşümü ile kullanılan karar ağacı modelinin, diğer modellere göre test verileri üzerinde en fazla doğruluk oranı % 83 ayrıca sürekli dalgacık dönüşümü ve topluluk öğrenmesi ile en fazla doğruluk oranı %95 verdiği sonucuna ulaşılmıştır.This study proposes a machine learning-based hybrid method to control an unmanned ground vehicle (UGV) with brain (EEG) signals. In the proposed hybrid method, necessary feature vectors were obtained from EEG signals with wavelet transform and these feature signals were classified using the decision tree model. The signals at the classifier's output are used to move the UGV in the appropriate direction. EEG signal data were taken from 41 people for the training of the system. The data are noise-free with bandpass filters. The performance of continuous and discrete wavelet transform methods has been investigated to obtain the best feature extraction from EEG signals. The training file of the bands with dominant features was created. The training file was trained with the k-Fold Cross Validation method. The trained models were tested on the same test set, and it was tried to predict the right and left direction of the UGV with the data obtained from the EEG signals. It is aimed to find the best performance among the known machine learning methods for right and left direction prediction classification. As a result of the comparison of the data obtained from the models, it was concluded that the decision tree model used with the discrete wavelet transform gave the highest accuracy rate of 83% on the test data compared to other models. In addition, it was concluded that the continuous wavelet transforms with ensemble learning give the highest accuracy rate of 95%.