Detailed Channel/Lob Analysis of a 2D and 3D Hybrid Video Using EEG Signal

Abstract

It is important to evaluate sudden transition and steady-states in video analysis consisting of 2 dimensional (2D) and 3D tracks, regarding the human eye structure. In this study, the power spectrum density (PSD) of the human brain signals was taken into consideration for analysis as a result of a 2D and 3D hybrid video watching. We claimed in our previous studies that people lose their depth perception when they get tired. In this study, a single stream anaglyph video consisting of random 2D and 3D tracks is provided. In 2D and 3D hybrid video study, PSD based on short-time Fourier transform (STFT) and visual representation called spectrogram were used in brain signal analysis. After all EEG frequency bands have been tested, the delta band has been chosen as the dominant band, taking into account the difference of PSD in the comparison of 2D and 3D parts in the spectrogram chart. Extracted features from this band were classified by two popular classifiers. These are support vector machine (SVM) and Linear discriminant analysis (LDA) algorithms. Consequently, the frontal and temporal lobes show better results in the classification of 2D and 3D transitions than other lobes. As a result of statistical functions and Hjorth parameters used as feature extraction methods, classification success for SVM and LDA algorithms was computed as 68 % and 79 %, respectively.

İnsan gözünün yapısına göre 2 Boyutlu (2B) ve 3B parçalardan oluşan video analizinde ani geçiş ve sabit durumların değerlendirilmesi önemlidir. Bu çalışmada, insan beyin sinyallerinin güç spektrum yoğunluğu (GSY), 2B ve 3B hibrit video izleme sonucunda analiz için dikkate alınmıştır. İnsanların yorulunca derinlik algısının kaybettiğini daha önceki çalışmalarımızda iddia etmiştik. Bu çalışmada, rastgele 2B ve 3B parçalardan oluşan, tek akışlı bir anaglif video sağlanmıştır. 2B ve 3B hibrit video çalışmasında, beyin sinyal analizinde kısa zamanlı Fourier dönüşümüne (KZFD) dayalı GSY ve spektrogram adı verilen görsel temsil kullanılmıştır. Tüm EEG frekans bantları test edildikten sonra, spektrogram çizelgesindeki 2B ve 3B parçaların karşılaştırılmasında GSY farkı dikkate alınarak, delta bandı baskın bant olarak seçilmiştir. Bu banttan çıkarılan öznitelikler iki popüler sınıflandırıcı tarafından sınıflandırılmıştır. Bunlar destek vektör makinesi (DVM) ve doğrusal ayırma analizi (DAA) algoritmalarıdır. Sonuç olarak, frontal ve temporal loblar, 2B ve 3B geçişlerin sınıflandırılmasında diğer loblara göre daha iyi sonuçlar göstermektedir. Öznitelik çıkarma yöntemi olarak kullanılan istatistiksel fonksiyonlar ve Hjorth parametreleri sonucunda DVM ve DAA algoritmaları için sınıflandırma başarısı sırasıyla %68 ve %79 olarak hesaplanmıştır.