Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  V o l.  5, N o . 1 ,  Febr u a r y   201 5,  pp . 92 ~101  I S SN : 208 8-8 7 0 8           92     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  Left and Right Hand Movements  EEG Signals Classification  Using Wavelet Transform and  Probabilistic Neural Network       A.B. M.  Aowlad H o ss ain,  Md. W a siur  Rahman Manju r ul Ahs a n  Rih een  Department o f  Electronics  and C o mmunication Engineer ing   Khulna University  of  Engin eerin g &  Technolog y ,  Bangladesh       Article Info    A B STRAC T Article histo r y:  Received Oct 7, 2014  Rev i sed  D ec 11 , 20 14  Accepted Dec 26, 2014      Electroen ceph a logram (EEG) signals ha v e  great importance in  the  area of   brain-com puter  i n terfa ce (BCI)   which  has div e r s e applications r a nging from  medicine  to entertainment. BCI  acquir e s brain  signals, ex trac ts inform ativ e   featur es and gen e rates control signals  from the knowledge of these features  for functioning  of external devices. The  objective of this work  is twofold.  Firstl y, to extr ac t suitable f eatur e s  re lated to hand  movements and  second ly to discriminate the left and right  hand movemen t s signals finding effectiv classifier. Th is work is a contin uation of our previous stud y  where beta b a nd  was found compatible for  hand  moveme nt analy s is.  The discrete wav e let  transform (DWT) has b een  used to sep a rate  beta  band   of the EEG signal in  order to extr ac t featur es. Th e pe rform ance of a  probabilist i c neu r al networ k   (PNN) is investigat ed to find  better  classifier of left and  right hand   movements EEG signals and  compared wi th classical b ack  propagation based   neural n e twork. The obtained  r e sults  shows that PNN (99.1%) has better   clas s i fi cat ion ra t e  than  the  BP  (88.9%).  The r e s u l t s  of this  s t ud y a r e exp ect ed   to be helpful in  brain computer in terfacing for hand movements r e lated bio- rehabi lit ation  ap plic ations. Keyword:  Artificial n e u r al n e two r Back pr op ag atio n algo r ith m    Discrete wav e l e tran sform  Electroe n cephalogram  Feature  extraction  Prob ab ilistic neu r al  n e two r k   Copyright ©  201 5 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d Co rresp ond i ng  Autho r A.B.M .   A o wlad Hos s ain,    Depa rt m e nt  of  El ect roni cs  an d C o m m uni cati on  En gi nee r i n   K h u l n a  Un iv ersity o f  Eng i n e er ing  & Technolo g y     Kh ul na - 9 2 0 3 , B a ngl a d esh .   Em a il: ao wlad0 403 @ece.ku e t.ac.bd       1.   INTRODUCTION  Ov er a m ill io n   in d i v i d u a ls are su fferi n g  fro m  d i sab ility an nu ally as a resu lt o f  strok e , t r aumatic b r ain  or s p i n al  co rd  i n j u ri es [ 1 ] .  A  m a jor  po rt i on  of di sa bl e pe o p l e  have  rep o rt ed t r o u b l e s wi t h  ha nd  fu nct i o n [2] ,   [3]. Failure of hand function cause s seve re problem s in leading  of lif e for the affe cted persons.  Recent  research es show th at BCI is a n e h o p e  i n  treatm e n tin g th d i sab ilities. EEG si g n a l  is th e m o st trend y     resource  o f  in t e rpretin g th e brain  activ ities i n  th e realm   o f   n on-inv a siv e  BCI. Th ey are  well stu d i ed an d th ere  is ev id en t th at t h ey can b e  used  in artificial han d  m o v e m e n t s [4 ].  EEG is  g r ap h i cal rep r esen tat i o n   o f  electrical activ ities o f  b r ai n  wh ich  i s  record ed   u s i n g  electrod e l o cat i ng  o n  t h e  scal p.  EE ha ve ce rt ai ban d wi t h  se pa rat e  fre q u ency   ra nge s [ 5 ] :  t h et a  wa ves  vari es  i n  t h e   ran g e o f  4 Hz t o  7 Hz an d i t s   am pl i t ude gen e ral l y  arrou n d  20  μ V, alpha  wave  varies wi th in the range of 8 t o   13  Hz  a n d  ab out   3 0 - 5 μ V  am pl i t ude. Fo r   bet a  wa ve,  t h fre q u e n ci es vary  bet w ee n 13   Hz   t o   3 0  Hz  a n d   usu a l l y  have  a  l o w   vol t a ge  b e t w een  5 - 3 0   μ V. Differen t ban d carry  inform at io n  o f   d i fferen t brain   acti v ities.  EEG si g n a ls are ex ten s iv ely  stu d i ed  b y   n u mero u s   resear ch es to  classi fy d i fferen t  m e n t al o r  brain  act iv ities  [6] - [ 9] .   Few   st udi es   ha ve be en pr o pose d  o n  han d   m ove m e nt   cl assi fi cat i ons usi n g su pp o r t   vect or m achi n e   (SVM ), lin ear  d i scrim i n a tio n  an alysis, ad ap tiv e Gau ssi an c o efficients, C-SVM and c o mbination of EE G a nd  MEG.  Howe ver, m o st of the m  are com putationally com p lex and not s o  effective  for re al time applications   [10]-[14]. In t h is context, s e lec tion of a p propriate and  com p atible f eature is  very  crucial for effective  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     Left a n d   Righ H and  Mo vem e n t s EEG   S i gnals Cla ssifica tion   U s ing  Wa vel et Tran sform   ( A .B.M.A . Hos s ain)   93 classif i catio n   w ith  sim p le classif i er . In   ou r pr ev i o us st u dy on  selection of   p r op er fr eq u e n c b a n d   fo r   h a nd  m ovem e nt  ana l y s i s  [1 5] , i t  was  ob ser v e d   t h at  bet a   ba nd  ( 9 7 . 5% has  hi g h er  m a ppi n g   preci si o n  a n bet t e r   con v e r ge nce  r a t e  t h an  t h e  ot her  ba n d s,  al p h (9 3. 2% ) a n d t h et a ( 8 7. 8% ). T h e r ef ore ,   b e t a  ba nd  can   b e  m o st  su itab l y u s ed   fo r hand  m o v e men t  an alysis.  Th is wo rk  is an  ex tension  in  o r d e r to   find  effectiv e classifier of  left and  ri g h t  han d  m o v e m e n t  EEG sign al  wh ich  is in itiated   fro m  th e findin g s  of  o u p r ev iou s   work   In t h i s  st u d y ,  we pl an t o  rec o g n i ze l e ft  and ri g h t  han d   m ovem e nt  EEG si gnal s  fi ndi ng si m p l e  but   effective  class i fier  based  on wa velet tra n s f orm  and  ne u r al  net w o r k a p p r oaches . Applying  the selected  feat ure s we t r y  t o  cl assi fy  left  an d ri g h t  h a nd m ovem e nt s usi n neu r al  net w or k ba se d m e t hods.  Di ffe rent   feat ure s  are pl a nne d t o  cal cul a t e  usi ng wa vel e t  anal y s i s  of EEG si g n al s.  Wavel e t  t r an sf orm  i s  a powe r ful  t o ol  t o  p r ocess  bi o m edi cal  si gnal s  f o r  va ri o u s a ppl i cat i o ns  [1 6 ] . It  i s  a  r o b u st  t echni q u e t o  r e prese n t  t h e si gnal s  i n   tim e -frequency  dom a in. The  c a pability of tim e-fre que ncy  dom ain analysi s  of  wa velet transform  can be  use f ul   t o  sepa rat e  di f f ere n t  ba nd s a nd c o nseq ue nt l y  t o  ext r act  i m po rt ant  feat ure s . N u m e rous t echni que s ha v e  been   p r op o s ed   for classificatio n  of b i o-ev en ts  o r  abn o rm al itie s.  Artificial n e ural n e twork s  hav e   b een  app lied  i n   several  stu d ies  f o r  EE G a n al y s is [1 7] -[ 1 9 ] .  A N N s  is  e x e c ut ed  t h r o ug h   t r ai ni n g   al g o rith m s  with  sp ecified   l earni n g  cri t e ri a t o  im i t a t e  t h e l earni n g   m echani s m s  of bi ol ogi cal  ne ur o n s  [20] . Di ffe rent  t y pes and st ru ct ures   o f   n e u r al  n e two r k s  are  u s u a ll y u s ed. In  t h is work, th e probab ilistic n e u r al  n e two r k   (PNN) and  classical b ack  pr o p agat i o ba sed  ne ural   net w o r k  (B P) a r appl i e d  a n d  t h ei r pe rf orm a nc es are  com p are d  t o  i d e n t i f y  t h e l e ft   and   ri ght  ha nd  EEG si g n al s.   The re st  of t h e  pape r i s  o r ga n i zed as f o l l o w s :  t h e next  sect i on  desc ri bes t h e pr op ose d  m e t h o dol ogy   whi c h desc ri be s t h e wavel e t  b a sed dec o m pos i t i on of EE G b a nd s, feat u r e ext r act i o ns an d t w o ne ural  net w o r k s   base d ap p r oac h es  fo r cl assi fi cat i on. T h i r d s ect i on  prese n t s   t h e de scri pt i o of  dat a  u s ed i n  t h i s  st udy  as   wel l  as  anal y s i s  an di scussi o n   o n   o b t ai ned  resul t s   whi c h a r e f o l l o wed  by  c o ncl u si on  i n   fo u r t h  s ect i on.       2.   METHO D OL OGY  Th e pur po se  of  th is stud y h a s tw o  m a in  step s; f i rst l y , t o   ext r act  feat ure s  fr om  bet a  band  of  EEG   si gnal s .  T h en we t r y  t o   det ect  t h e l e ft  a n d  ri ght   ha nd  m ovem e nt s EEG  si g n al  fi ndi ng  ef f ect i v e cl assi fi er.   We   u s ed  d i screte  wav e let tran sfo r m  to  select b e ta b a nd  in   o r d e r to c o m pute diffe re nt  features. These feat ures are   appl i e d  t o  B P   and  P N N  i n  o r der  t o  c o m p are  t h ei r e ffect i v e n ess i n   ha nd   m ovem e nt  cl assi fi cat i on.  The  bl oc di ag ram  of t h i s  p r o p o sed  m e tho d o l o gy  i s  s h ow n i n  Fi gu re  1.           Fi gu re  1.  B l oc di ag ram  for  han d  m ovem e nt s EEG  si g n al cl assi fi cat i o n   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    9 2  – 10 1   94 2. 1. Wa vel e t  B a sed Dec o m p osi t i o n an F e at ures  E x tr a c ti on   The features are extracted  from bio-signals can cha r acteriz e th e beha vi o r s  of t h e co rres p on di n g  bi o- events . Feat ures extra c tion  f r om  t h e p h y s i o l o gi cal  si g n al s i s  i m port a nt   fo vari ous  a p pl i cat i ons.  T h e r e are   num bers of   t i m and fre q u e n cy   o r  bot h d o m a i n   feat ures   are gene ral l y   use d . A great  adva nt age   o f  wavel e t   tran sform  b a sed  an alysis is th at it   can  rep r esen t th e sig n a l in  bo th  ti m e  an d  frequ en cy domain  wh ich  is b e tter  com p ared t o   the Fourier  t r ansf o r m  and  sho r t  t i m e Fouri e r  t r a n sf or m .  Theref ore,  we c h oos wavel e t   tran sform e d  sig n a ls fo r selectin g   d i ff eren t EEG  b a n d s  signals wh ich   will b e  in ten d e d   fo r features ex tractio n .   Wav e let is a small wav e fo rm o f  effectiv ely b r ief  d u rat i on t h at  has  a zer net  area a n he nce  of feri n g   p o t en tiality  to  cap ture ev en ts  o ccurs in  a sh ort p e ri o d   o f  ti me. Th e wav e let tran sfo r m  d eco m p o s es th e sig n a l   in to  d i fferen t scales with  d i fferen t lev e ls o f   reso l u tio n   b y  d ilatin g  a  m o th er wav e let. Fo d i screte ti m e  s i g n a ls,  d i screte  wav e l e t tran sform  (DWT) is equ i v a len t  to   an  octav e   filter b a n k  [2 1 ] , [22 ] Th is  m u ltireso l u tion   analysis (MRA)  decom pose s  a signal int o  scales with   diffe re nt tim e  and  fre qu enc y  resolutio n.  We ca n   di scri m i nat e   the di f f ere n t  b a nd s of EE G si gnal  t h r o ug h  t h e decom pos i t i on of M R A  i n t o  di ffe rent  l e vel s Sel ect i on o f  m a xi m u m  decom posi t i on l e ve l s  depe nd s o n   t h e fre q u ency   ban d s .  The r ef o r e, t h ro u gh  wa vel e anal y s i s , we c a n co nse r ve t h e t i m e -freq u en cy  com ponent s  of E E G si gna l  at  di ffere nt  r e sol u t i o n a nd  scal es .   Th e reso lu tion   o f  th e si g n a l  is  d e term in ed   b y   th e  filterin g  o p e ratio ns  and   th e  scale  is  d e term in ed   b y   u p   sam p l i ng and  do w n  sam p l i ng o p erat i o ns . As a res u l t ,  t h e D W T ca n be  achi e ve d by  s u ccessi ve l o pass an d   h i gh  p a ss filter at d i screte time d o m ain  is  sh own  in  Fi g .  2 .   Wh ere  x [ n ]  i s  t h e i nput   si gnal ,   w h i c passe s   th ro ugh   a h i gh  p a ss filter o f   i m p u l se  response  h [ n ] and  si m u l t an eo usly p a sses th rou gh th e l o w p a ss fi lter wit h   an im pulse response  g [ n ]. The o u t p u t  of th e h i gh  p a ss  filter p r ov id es t h e d e tail co efficien ts  D  an d t h out pu t   o f  t h e low  p a ss filter p r ov id es th e app r ox im a t e co efficien ts  A . The filter  o u tp u t  is g i v e n  in (1) an d   (2 where  k   varies fr om   -  to    [ 2 2 ]    k n h k x Y high 2  (1 )      k n g k x Y low 2  (2 )         Fi gu re  2.   W a v e l e t  decom posi t i on t r ee  u p  t o  l e vel  3       We ha ve dec o m posed t h e E E G si g n al  i n  b o t h  t i m e and fr eque ncy  d o m a i n  usi n g D W T  t o  sel ect  t h EEG  ban d s .  T h e dec o m pose d  si g n al s are t h en u s ed t o  com put di ffe re nt  f eat ures.  We  ha ve u s ed  d b4  w a vel e wh ich   was  foun d su itab l e aft e r so m e  trial a n d error atte m p t s  u p  t o   dec o m posi t i on l e ve l  fo ur  t o  si x.  F o u r t h fifth  and  si x t h lev e l co effici en ts  o f   wav e let d eco m p o s ition  co rresp ond s th b e ta, alpha and  th eta  b a n d  of  fre que nci e s res p ect i v el y .  We have   u s ed   t h e beta  ba nd for features  e x tracti o n.  Th ere are nu mb ers  o f  tim e a n d   frequ en cy  d o m ain  feat u r es u s ed  i n  literatu res. Mo st  o f  th e cases  m a gni t ude , fr eque ncy ,  ene r gy , po we r,  a n d   di ffe rent  st at i s t i cal   m e asures   are   c o n s i d ere d  fo r f eat ure s   cal cul a t i on.  A f t e r a ri go r ous   st udy we  ha v e  co nsi d e r ed  e i ght  e ffect i v e  f eat ures  w h i c are  descri bed   bel o w.  Let,  N  is th e len g t h   o f  th e EEG sign al  x [ n ].  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     Left a n d   Righ H and  Mo vem e n t s EEG   S i gnals Cla ssifica tion   U s ing  Wa vel et Tran sform   ( A .B.M.A . Hos s ain)   95 i.  Ener gy Ener gy  o f  a si gnal  ca n be  de fi ne d as a si m p l e  sq uare i n t e gral It  m i ght  be an i m port a nt  feat u r e o f   EEG signal.  F o r discrete  EE G sequence  the e n ergy ca be c a lculated as:      N n n x Energy 1 2 ] [  (3 )     ii.  Scal e vari an ce  ( SV ):   Scale va riance  is m easure of log-va riance  that can  be e x pre ssed as:        2 log / ] [ var log n x SV  (4 )     iii . RMS v a lue The root m ean squa re (RMS) is a statistica l   measur e o f  va r y i ng si g n al s w h i c h can s h ow  t h e st ren g t h   of signal. T h avera g powe of a signal is s qua re  of its RMS val u e. T h e  RMS val u e ca be calculate d as:    N n x value RMS N n 1 2 ] [    (5 )     iv Ro ll o f f The r o l l o f f  i s  a  m easure of t h e fre q u e n cy  bel o w w h i c 85 % of t h e m a gni t u de  di st ri but i o n o f  t h e   sp ectru m  is co n cen t r ated . It i s  also  a m easu r e of sp ectral shap e an d can be written as:    2 / 1 ] [ 85 . 0 N n n x R  (6 )     v.  Vari ance V a r i a n c e   i s   t h e   m e a n  v a l u e   o f   t h e   s q u a r e   o f   t h e   d e v i a t i o n   o f   t h e  s i g n a l .  H o w e v e r ,  m e a n  o f   EEG signal  is close  to  zero.  Hence ,  we  calc u l a t e  t h vari a n ce  of  EE G f o l l owi n g t h e e q u a t i on:     N n n x N VAR 1 2 ] [ 1 1  (7 )     vi A p proxi m at e ent r opy  ( A pE n) Ap pr o x i m at e ent r opy  i s  a m easure  o f  ra n d o m ness or re g u l a rity [23 ] . A l o w valu o f   t h entropy indicat es that  t h e t i m e  seri es  i s  det e rm i n i s ti c;  on t h e ot her  h a nd , a hi g h  val u e i ndi cat es t h e ran dom ness.  ApE n  has  been  used   to characte r ize diffe rent  biomedical events . For  ApE n ( m , r , N ), t w o i n pu t  param e t e rs, a ru n l e ngt m ,  and a  to leran ce windo r , m u st be considere d   for  N  l e ngt h t i m e seri es. I f   N  dat a  poi nt s f o rm  a tim e seri es  X  =  [ x (1 ),   x (2 ),   x ( 3 ) ,  .  .  x ( N )] .,  we ca n c o m put ApEn  as fo llows:  a) Fo rm  a subseq uence  of l e ngt N-m +1  co n s isting   x [1 ],  x [2] , ..,  x [ N-m + 1 ] .  Sim i larly ,  differe nt   subseque nces a r e:  X [ i ] =  [   x ( i ),   x ( i + 1 ), …,  x ( i+ m -1 )] , whe r i =1,2,…. ,   n- m +1  b) Calculate the distance  d [ X ( i ), X ( j )] bet w een  X ( i ) an X ( j ), as t h e maxim u m  absolute differe n ce  bet w ee n t h ei r e spect i v e sc al ar c o m pone nt s:     ) 1 ( ) 1 ( max   = )] ( ) ( [ 1,2,..m = k k j x k i x   j ,X i X d  (8     c) F o r a  gi ve X ( i ), c o unt  t h num ber  of  j , (  j  = 1, 2, …,  N-m +1) so t h at  d [ X ( i ), X ( j )]     r*S T D . Whe r e,   ST D  i s  t h e st a nda r d   devi at i o of  se que nce  and   r  can b e  var y in g b e t w een   0  and   1 .   Th e to tal coun tin g nu m b er  can be  de not e d  as  θ ( i ), whe r i = 1, 2,.. N-m +1. T h en , de fi ne a pa ram e t e r   C r m ( i ) as bel o w an d c o m put e i t  for   each  i   C r m ( i ) =  θ ( i )/(  N-m +1 ) ( 9   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    9 2  – 10 1   96 d) Com pute the natural loga rithm  of each  C r m ( i ) and ave r age it ove i                       1 m )) ( ( log 1 1 ) ( m N i m r e i C m N r  (1 0)     e) Inc r ease the  dim e nsion  m  to   m +1. Re peat  steps a ) –d) to  get  C r m+ 1 ( i ) an φ   m +1  ( r ).   f)  ApE n   ca n be   calculated by  t h e following form ula:             ApE n ( m , r , N ) =   φ   m  ( r ) -  φ   m +1  ( r ) ( 1 1 )     We have   com p ut Ap E n  t a ki n g  t h e  val u of   r   as 0. 15 .   v ii.  Zer o  C r oss i ng  ( ZC ):  Zero crossi ng indicates  the  num b er of ti mes th e EE G signal crosse s the z e ro line. It  can be   calculated as:     Threshold ) * sgn( 1 1 1 1 n n N n n n x x x x ZC  (1 2)     whe r e,   Otherwise      0, Threshold      , 1 ) sgn( x x     v iii.  Mod ified   Mean  Ab so lu te Va l u e  ( MMAV ):  Mean Abs o lut e  Value ( MAV ) is the  m oving  avera g of fu ll -wav e rectified EEG.  It  is  calcu lated   tak i ng   th   avera g e   of  a b solute   value   of  t h e EE G  s i gnal.  MM A V  i s  th e ex ten s ion o f   MA V  with  ad d ition a wei g h ting  fu nct i o w [ n ] as show n in  equatio n   ( 1 3 )   N n n x n w N MMAV 1 ] [ ] [ 1  (1 3)     whe r e,   w [ n ] are taken as  for the sam p les  N n N 75 . 0 25 . 0  an d 0.5 fo r r e st  o f  th e sam p les.    2. 2. Cl as si fi ca ti on   usi n g Ne ural  Netw orks   Art i f i c i a l  neu r al  net w o r ks  ( A N N s )  are si m i l a r t o  bi ol ogi cal  neu r o n al  net w o r ks t h at  are usef ul  fo r   pattern rec o gni tion, classi fication et c [20]. ANN  learni ng  is accom p lished by  traini ng al gorithm s  base on the  l earni n g   m echani s m s   of  bi ol ogi cal  neu r o n s .   There   are vari ous   t y pes of ne ural  net w or k v a ry i ng fu n d am ent a l l y   in  th e way th ey learn .  In  th i s  stu d y , a feed  fo rwar d   b a ck  prop ag atio n   n e ural n e twork  and  a prob ab ilistic   neu r al  net w or k   are use d .   A fee d   fo rwa r d bac k   pr o p ag at i on  neu r al  n e t w o r k c o nsi s t s  of  a n u m b er  of si m p l e  ne ur o n s l i k e   p r o cessi n g  un i t . Ev ery un it i n  a layer is con n ected   with   all th e un its in  t h p r ev iou s  layer.  Alon g wit h  inpu and  o u t p ut  l a y e rs o f  ne ur o n s,  hi d d en  pr oces si ng l a y e r i s  al so use d  t o   h o l d  t h e no nl i n ea ri t y  and com p l e x i t y  of  t h e pr o b l e m .     Sel ect i on o f  p r o p er  num ber  of  hi d d en l a y e rs i s  im port a nt . The p r o p o se d fee d  fo r w ar d bac k   pr o p agat i o ne ural   net w or k s t ruct u r e i s  s h o w n i n  Fi g.  3.  We h a ve c o ns i d ere d  8 a b ov em ent i one d fe at ures .   There f ore,  ne u r al  net w o r k i s   desi g n e d  wi t h   ei ght  i n p u t  n o d es a nd  o n o u t p ut  n o d e. T h e num ber  of  n ode s i n   h i dd en  layer  has b een  set on tr ial- an d- err o r b a sis. Sig m oi d t r ans f er  fu nc t i on has  b een chosen  to deal  with  no nl i n ea ri t y . The  net w or k i s  t r ai ne d wi t h  g r a d i e nt   desce n t  a l go ri t h m .  Perf o r m a nce of t h net w or k i s  s p e c i f i e as M ean  Sq ua r e  Er ro (M SE) .  The  t r ai ni ng   was st op pe w h en  t h e  M S b e t w een t h net w o r k   out put s a n d  t h t a rget was l e s s er t h a n   or e q u a l  t o  0. 0 0 0 0 1 The l ear ni n g   r a t e  i s  fi xed  at  0. 05 . T h num ber  o f  t r ai ni ng  epoc hs   was fi xe d uni f o rm l y   at   350 0.     Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N 2088-8708    Left a n d   Righ H and  Mo vem e n t s EEG   S i gnals Cla ssifica tion   U s ing  Wa vel et Tran sform   ( A .B.M.A . Hos s ain)   97     Fi gu re  3.  Pr o p o se back  p r o p a gat i o n  ne u r al   net w or k st ruct ure       We h a v e   u s ed   a p r o b a b ilistic n e ural n e t w ork to  find  a b e tter left and  righ t  h a nd  m o v e m e n t s sign als  classifier compari ng to clas sical  B P  based N N . P N N h a s spee dy  t r ai ni n g  p r oce ss  wi t h  i n nat e l y  paral l e l   structure a n one-pass  training e f fort  [24 ] . It  do es no n e ed  an   iterativ t r aining  process  a n d the t r aining tim e   is j u st th e lo ad ing  tim e o f  th e train i ng  m a trix . Th erefo r e ,  l earni ng  rat e   of  PN N i s   fast er t h a n  m a ny  neu r al   n e two r k s  m o d e ls, wh ich in crease its efficacy for  real tim e  app licatio n s Th e i n pu t layer  p a rt  d i stribu t e s th in pu t to  th e n e u r on s in  t h e pattern  layer. Receiv i n g  th p a t t ern   fro m  th e i n pu t layer, t h n e uro n   of th p a ttern  layer co m p u t es its ou tpu t  in  acco rd an ce to the prob ab ility d e n s ity fun c tion (p df) fo r a sing le sam p le.  Th PNN  arch itectu r h a s t h ree layers: th e in pu t layer, th rad i al  b a sis lay e r, and  t h o u t p u t  layer as  sho w n i n  Fi g.  4. T h e i n put  vect o r   p  re presents the fe ature  vector  with size 8× 1,  Q  is th e num b e r o f   in pu t/targ et  p a ir d a tasets an K  is th e nu m b er  of classes. In th is algorith m ,  at th e first layer in pu t vecto r calculate the distance from  the traini ng i n p u t  an d p r od uc es a ne w vect or  whi c h i s  cl ose d  wi t h  t h t r ai ni n g   i n p u t .  T h e n , t h e radi al   basi s l a y e r sum s  al l  the c ont ri b u t i o n s  o f  t h e i n p u t   v ect or a n d p r od uces a n   out put   vect o r   o f   prob ab ilitie s.  In   rad i al b a sis layer, v ect o r   d i stan ces, || W p | |  of di m e nsi o Q ×1 are calculated  us ing  dot   pr o duct  bet w e e n i n p u t  vect or   p  and t h e eac h r o of w e i g ht   m a t r i x   W  wi t h  di m e nsi on of  Q ×8. The n the bias   vector  b  is com b in ed  with || W p | |  by  a n   el em ent - by -el e m e nt  m u l t i p l i c at i on.   W e  ha v e  use d   ra di al  basi s   t r ans f er fu nct i on  a s 2   =   rad b as (n) n e . The  sprea d   val u of t h e ra di al  basi s f u nct i o n  was  used a s  a   sm oot hi ng  fac t or  whi c was  co nsi d e r ed  as  0. 1.  The n ,  t h e o u t p ut  o f   ra di al  basi s l a y e r i s  f o un d a s :   a i  =  rad b as (|| W i     p ||.× b i ), w h ere   W i  is th e it h  row  o f   W , and  b i  is th i th  elem e n t of  bias  vector  b Fin a lly, in  th e o u t p u t  co m p eti tiv e layer, th e v ector  a  is in itially  m u ltip lie d  with  layer weig h t  m a trix  M  t o  c o m put e an o u t p ut  vect or  d . There is  n o   b i as in  th is  layer. Th e co mp etitiv e fun c tion  is u s ed  to   p i ck  th max i m u m  p r obab ilities an d   pro d u ces ‘1 ’ fo r th e in ten d e d   class and   ‘0’  fo r t h o t h e r class.        Fig u re  4 .  Probab ilistic n e ural n e twork stru ctu r   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    9 2  – 10 1   98 3.   RESULT ANALYSIS  We ha ve use d  expe ri m e nt al   EEG dat a  o f  l e ft  and ri g h t  h a nd m ovem e nt. The dat a set  was col l ect ed   fr om  t h e web s i t e  [2 5] . T h e s u bject   o f  t h e  dat a set  i s  a 2 1  y e ar  ol d,  ri g h t   ha nde d m a l e  wi t h   no  k n o w n  m e di cal   co nd itio ns. The EEG con s ists o f  actu a rando m   m o v e m e n t s of left and  ri g h t   h a n d  reco rd ed with eyes  clo s ed.  There  are   nine teen electrodes .  T h or der   of  t h e el ect ro des   i s  FP 1 F P 2  F 3  F4  C 3  C 4  P 3   P4  O 1   O2  F 7   F8  T 3   T4 T 5  T6  FZ  C Z  PZ. T h e E E G si g n al s wa s acui s i t e d usi ng  Ne ur ofa x  E E G Sy st em  and p o w er l i n e f r e que ncy   was 5 0  Hz . Th e l e ngt of t h e  si gnal  f o r eac h el ect ro de i s  32 0 0  sam p l e and sam p l e  rat e  i s  500  Hz. Fi gu re   5   sho w s t h e ra EEG  dat a  fo r l e ft  and  ri g h t  h a nd m ovem e nt . The  raw si gn al s are t h en  de com posed i n  d i ffere nt   b a nd u s ing  d i screte wavelet tran sform  wh ich  are sh own   i n  Fi g. 6.  Sel ect i on  of  decom p o s i t i on l e vel s  de pen d o n  alph a,  b e ta and  th eta  frequ e n c y b a nd  wh ich   was foun d in   five, fo urth  and six t h   d e co mp o s ition   respect i v el y .   M o st  o f  t h e c o m put at i on an pr ocessi ng  i n  t h i s  st u d y  a r p e rf orm e d i n  M A TL AB  [ 2 6] .   The  perform a nce of t h e classification  of the  EEG  data  is evalu a ted  in  term s o f  t h e three  p a ram e ters   i.e., sen s itiv ity (SE), sp ecificity (SP) an d accu r acy.    Sen s itiv ity (SE) ind i cates th cap acity o f  corr ectly id en tified   p o s itiv e cases and   d e fi n e d as:    FN TP TP SE ; TP=Tru e Po sitiv e an d FN =  False Neg a tiv e.  Specifity (SP)  indicates the  c a pacity of correctly identified ne gative case s  and e x presse as:  TN FP TN SP TN = Tr ue  Ne gat i v e a n d   FP = False Po sitive  Accuracy indic a tes that the  pro portion of c o rrect classified  ev ents . It ca be calculated as:   F N T N F P T P TN TP Accuracy       Fi gu re 5.   R a w EEG dat a  fo l e ft   an d ri g h t  ha nd   m ovem e nt  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     Left a n d   Righ H and  Mo vem e n t s EEG   S i gnals Cla ssifica tion   U s ing  Wa vel et Tran sform   ( A .B.M.A . Hos s ain)   99   Fi gu re  6.  Se par a t e d al p h bet a , an d t h et a b a n d   fr om  EEG u s i ng  D W T       We ha ve use d  8×5 7  l e ft  han d  dat a set s  and 8 × 57 ri ght  ha n d  dat a set s  whi c h were e x t r act ed fr om  bet a   ban d  f o r t r ai ni ng a nd t e st i ng  dat a set s W e  h a ve com p ared  t h e per f o r m a nce of B P - NN a nd P NN cl assi fi er t o   fi n d  t h e bet t e r  cl assi fi er. Tabl e 1 an d 2 s h ow t h resul t  of t w o cl assi fi ers pe rf orm a nce used i n  t h i s  st udy .     Table  1 indicat es the  num b er  of correct a n false cla ssi fi cat i ons  o f  l e ft  an d  ri g h t   han d  m ovem e nt s EEG  si gnal   usi n g B P  ba se NN  an d  PN N.  Tabl sh ows  t h e  com p ari s o n   of  o v e r al l  per f o r m a nces by  c o nsi d e r i n g   sensitivity, spe c ificity and overall accu racy. The sensitivity of BP and P NN  has bee n  found as 86.35% and  9 1 .74 %  resp ectiv ely. Th e sp ecificity o f  BP  an d PNN  has  been   f o un as  98 .3 1%   an d 1 0 0 % res p ect i v el y .   The   ove rall accura cy of B P  a n d PNN is calc u lated as   88 .9% and  99.1%. From  thes e data and pe rformance  param e t e r, i t  can  be c oncl ude d t h at   PN ha s bet t e r cl assi fi cat i on  rat e  t h a n  B P .  M o reo v e r, t h e q u i c k t r ai ni n g   p r o cess with in h e ren tly p a ral l el stru cture  o f  PNN  will  in ev itab l y sp eed   u p  classifier  decisio n  ex ecu tio n ti m e   and im prove  its effectivenes fo real tim e applications.      Tabl 1. C l assi fi cat i on R e s u l t s  o f   Han d  M o v e m e nt  EEG  Si gnal s   Han d                       BP                      PN N     No. of Classification  No. of Classification         Co rrect     False     Co rrect     False   Lef t          4 8       9          5 6         1   Rig h t          5 3       4          5 7         0       Tab l e 2 .  Sen s it iv ity,  Sp ecifici ty,  and Acc u ra cy of the Class i fiers     Sensitivity Specificity  Accurac y   BP 86. 35%   91. 74%   88. 9%   PNN 98. 31%   100%   99. 1%         Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    9 2  – 10 1   10 0 4.   CO NCL USI O N   Th e m a in  fo cus of t h is stud is to   d e tect left  an right  hand E E G signal finding effective classifier.  The EEG  ban d s   ha ve bee n   t a ken  out   t h r o ug h di scret e  wa v e l e t   t r ansf o r m .   Ei g h t   e x t r act e d  feat u r es fr o m   bet a   b a nd   h a v e  b e en  used  t o  train a classical b a ck  pro p a g a tion b a sed  n e ural n e two r k  an d   a p r ob ab ilistic n e ural   net w or k i n  or d e r t o  fi nd ef fe ct i v e cl assi fi er for l e ft  and ri ght  ha n d   m o v e m e nt  si gnal s  di scri m i nat i on.  Fi ft sev e n  lef t  an d r i g h t  h a nd  mo v e m e n t  EEG f eatu r es  d a tasets w e r e  used  in  th is study. Th e classif i catio n   per f o r m a nce p a ram e t e rs sho w  t h at  P NN  (9 9. 1%)  has  bet t e r classification  rate th an  th BP (88 . 9 % ).  Also , th fast train i n g   p r o cess  with innately p a rallel stru ctur o f  PNN  will in ev itably sp eed up classificatio n  ti me an enha nce i t s   us eful ness i n  re al  t i m e  appl i cat i ons.  The  fi ndi ng s o f  t h i s  st udy  a r e e x pect ed t o   be  u s eful  i n   artificial h a nd   m o v e m e n t s th ro ugh   b r ai n  com p u t er in terfacin g   fo b i o-rehab ilitatio n  app l icatio n s     ACKNOWLE DGE M ENTS  The aut h o r s w oul d t h an k t h aut h ori t y  of K hul na U n i v e r si t y  of Engi neeri ng & Tec h nol ogy KUE T ,   Bangla d esh and the  Brain Com puter Inte rfa ce rese a r ch La b at  NUST, Pa kistan  for E E G data.       REFERE NC ES   [1]   M . A. Lebed e v  and M . A.L.  Nicole lis , “ B rai n -M achine Int e rfaces : P a s t , P r es ent and F u t u re”,  Trends in   Neurosciences vol. 29 , pp .536 —546, 2006   [2]   L.R. Hochb e rg,  et al. , “Neuronal Ensemble Control of Prosthetic  Devices  b y  a H u m a n with Tetra p legi a”,  Nature vol.   442, pp. 16 4–171, 2006 [3]   J. R.  Wolpa w ,   et al. , “Brain-Co m puter Interface Technolog y :  A  Re view of the First In ternational Meeting”,  IE EE  Transactions on  Rehabil itation Engineering , vol.  8, pp .164—173,  2000.  [4]   T. Ebrah i m i , J.M. Vesin, and G.Garci a , “ B rai n -com puter inter f ace in Multim e d ia Com m unication”,  IEEE Sign al  Processing Mag a zine , vo l. 20, p p . 14-24 , 2003 [5]   S.  Sa ne i a n d J.  Cha m be rs,   EEG S i gnal  Processing , John Wiley  &  Sons, England ,  2 007.  [6]   G. Pfurtschel ler ,  C. N e uper ,  A.  Sc hlögl, and  K.  Lugger, “Separabilit y   of  EEG Si gnals Recorded   During Right  an Left M o tor Im ager y Us ing Adaptive Autor e gres s i ve P a ra m e ters ”,  IEEE Transactions  on  Rehabilitatio n   Engineering , vol. 6 ,  pp . 316-325 , 1998.  [7]   E. Has e ls t e in er  and G. P f urts ch el ler, “Using Time-Depende nt  Neural Network s  for EEG Clas sification”,  IEEE   Transactions on  Rehabil itation Engineering , vol.  8, pp . 457-463 2000.  [8]   D. Najumnissa and T.R .  Rangaswamy ,   “Detection and Classificati on of Epilep tic Seizures using  Wavelet featur extra c tion  and Adaptive Neuro - F u zz y  Inf e ren c e S y s t em ”,  In ternational Journal of  Computational Engineerin Research , vol. 2 ,  pp. 755-761, 20 12.  [9]   Y. Song, “A rev i ew of developm ents of EEG-bas ed au tomatic medical support s y stem s for epilep s y  diagnosis and  seizure  de tec tion Journal o f   Bio m edical Science  and Engin eering , vol. 4 ,  pp . 788- 796, 2011 [10]   M. H.  Alomari,  A.  Samaha, and K.   Al K a m h a,  A utom ated Cla s s i ficatio n  of  L/R Hand Movement  EEG Signals  using Advanced  Feature Extr ac ti on and M ach ine  Learn i ng” International Journ a l of Ad vanced  Computer Scien c and Applications , vol. 4 ,  pp . 207- 212, 2013 [11]   A. Schloeg l , C. Neuper ,  an d   G. P f urts chel ler ,  “ S ubject  S p ec ific  EEG  P a tt er ns  During M o t o r Im aginar y” ,   in  Conference of the IEEE Engin e eri ng in Medicine and Biolog Society, 1997 IE M B S   1997 N i neteenth Annua International , 19 97,   pp. 1530-15 32.  [12]   E.J .  Cos t a and  E.F .  Cabr al J r ., “ EEG-Bas ed  Dis c ri m i nation Between  Im agi n ati on of Left  and Right Han d   Movements Using Adaptiv e Gaussian Represen tation Med i cal  Engin eer ing  &  Phys i c s , vol. 2 2 , pp. 345-348 2000.  [13]   F .  W a n g ,  K .   K i m ,  S .  W e n ,   Y .  Z h a n g ,  a n d  C .  W u , “EEG  Based Automatic Left-Righ t  Hand Movemen t   Cla ssifica tion” , in  Control and  Decision  Conferen ce, 2012.   CCDC 2012   .I  , 2012 pp. 1469  – 1472 [14]   F. Quandt,  et al. , “Single Trial  Discrimination  o f  Individual Fin g er Movement s on One Hand: A Combined MEG   and EEG Stud y NeuroImage , v o l. 59 , pp . 3316– 3324, 2012 [15]   M. A.  Rihe e n ,   M. W.  Ra hma n , a nd A. B. M. A. Hossa in,  “S election of Proper  Frequenc y  Ba nd a nd Compa t ible  Features for Left and Right H a nd M ovement from EEG Si gnal Analy s is”,  Conference on  Computer and  Information Technology, 2013. I CCIT 2013,   Si xt eenth  In ternatio nal,  2013 [16]   H. Olkkonen ,   Disc re te  Wav e le t Transforms  - Biomedical Applications , InTech , R i jeka, Croatia, 20 11.  [17]   A.  Nait-Ali,  Ad vanced Biosignal Processing , Springer, 2009 [18]   A. Subasi and  E.  E r ce l e bi ,  “Cla ssi cation of EEG Signals Using Neural  Network and Logis tic Regr ession”,  Computer Metho d s and Programs in Biomedicine , pp .87—99, 200 5.  [19]   S.J. Husain and K.S. Rao,  “ E pilept ic Sei z ures  Cla ssification from EEG Signa ls Us ing  Neural Networks”, in  Conference on  I n formation and  Network Techno logy , 2012,  ICIN T  2012 International,  2012    pp.2 69—273.  [20]   S .  H a ykin Neur al Networks-A C o mprehensive Foundation , Prentice Hall, NJ, 199 9.  [21]   S.G. Mallat ,  “ A  theor y  for m u lt iresolution si gna l decom position:  the wavele t rep r esenta tion” IEEE Transactions  on Pattern Ana l ysis and Ma chin e Intelligen ce , v o l. 11 , pp . 674-6 92, 1989 [22]   A. Aldroubi and   M. Unser,  Wa velets in  Med i cin e   and Bio l ogy . CR C Press, USA, 1 996.  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     Left a n d   Righ H and  Mo vem e n t s EEG   S i gnals Cla ssifica tion   U s ing  Wa vel et Tran sform   ( A .B.M.A . Hos s ain)   10 1 [23]   H. Ocak,  “ A utom atic de te ction   of epil epti c sei z ures in  EEG using discrete wav e le t tr ansform and approximate  entrop y” Expert Systems with  Ap plications , vo l. 3 6 , pp . 2027–203 6, 2009 [24]   L. Rutkowski,  New Soft Computing Techn i q u es for System   Modelling, Pa ttern Classification and Image  Proc e ssing , Springer, 2004   [25]   Availab l e in:   htt p ://sit es.googl e.com / site/proj ectb c i/   [26]   The Ma thW o rks Inc. , M a ssachusetts,  USA. Avail a ble  in:  http ://w ww.m a thworks.com /       BIOGRAP HI ES OF  AUTH ORS       Dr. A.B.M .  Aowlad Hos s a in re ceiv e d his  B . S c .   in El ec tric al  and  El ectron i Engi neering  (EE E ) fr om   Khulna University  of Eng i neer ing & Technol o g y  (KUET) and  M.Sc. in EEE from Bangladesh   University  of Engineer ing & Technolog y  (BUET) in 2002 and 2005 respectively .  He join ed  in  KUET as lecturer in 2005 . Dr. H o ssain completed  his Ph.D. in B i omedical Engin e ering from K y ung   Hee University Korea in 2012. Currently  he is an  Associate Professor in the Department of EC E,  KUET. His research in ter e sts ar e biomedical sig n al and  image p r ocessing, ultras ound imaging,  and   computer aided  diagnisis etc. He  is member  of different pro f e ssional societies and reviewer s of  differen t   confer ences and  journ a ls.       Mr.  Md.  Wa siur Ra hma n  re c e ive d  his B. Sc . in  Electronics  and  Communication Engineering  ( E C E )   from Khulna Un iversity  of Eng i neering &  Tech nolog y  (KUET)  in 2013. Currently  h e  is prepar in for higher  studies and r e search His resear ch in te rests are biomed ical signa and image processing.          Mr. Manjurul  Ahsan Riheen r eceived h i s B.S c in Electronics and Co mmunication Eng i neer in g   (ECE) from Kh ulna Univ ersity   of Engin eering   Technolog y   ( KUET) in 2013 . Now he is wor k ing   in cell phone r e search  and  deve lopment d i vis i on of Walton  Hi-T ech Industr ies Limited as an  as s i s t ant engin e er. His  res ear ch  interes t s  ar e bi om edical s i gn al  proces s i ng, s i g n al proc es s i ng for  communications  and sensor  netw orks.      Evaluation Warning : The document was created with Spire.PDF for Python.