Motor hareket hayali eeg verilerini deneklerden bağımsız ortak elektrotlar kullanarak sınıflama

Abstract

Beyin-Bilgisayar Arayüzü (BBA) sistemleri, kullanıcıların doğrudan beyin sinyalleriyle harici cihazları kontrol etmelerine olanak tanıyan bir teknoloji olup giderek daha yaygınlaşmaktadır. Son yıllarda BBA alanında yapılan araştırmaların çoğalması, bu teknolojinin potansiyelini artırarak tıbbi rehabilitasyon, nörolojik bozuklukların tedavisi, iletişim araçları ve eğlence uygulamaları gibi birçok farklı alanda kullanımını artırmıştır. Motor Hareket Hayali (MHH) sinyalleri, BBA sistemlerinde kullanılan bir yöntemdir ve bireylerin zihinsel hareket (bir uzvunu) hayali yaparak cihazları kontrol etmelerine olanak tanır. Bu sinyaller, genellikle motor korteksten kaydedilen elektroensefalografi (EEG) verileri ile analiz edilerek işlenir. BBA sistemlerinde, özellikle son yıllarda derin öğrenme yöntemlerinin uygulanmasıyla etkili performanslar elde edilmektedir. Literatürdeki çalışmalar incelendiğinde, derin öğrenme yöntemlerinin BBA sistemlerinde başarılı sonuçlar sağladığı görülmektedir. Derin öğrenme sistemlerinin güçlü öznitelik çıkarma yetenekleri ve bunları BBA sistemlerine etkili bir şekilde entegre edebilmesi, bu performans iyileştirmesine olanak tanımaktadır. BBA sistemlerindeki bu olumlu gelişmelere rağmen, bu sistemler halen esneklikten yoksundur. Bunun en önemli nedeni, BBA sistemlerinde kullanılan mevcut elektrot sayısının fazla olmasıdır. Bu durum hem kullanıcı deneyimini olumsuz etkileyerek sistemlerin esnekliğini sınırlamakta hem de gerçek zamanlı işlemleri zorlaştırmaktadır. Elektrot sayısını azaltmak, hem kullanıcı konforunu artırmak hem de sistemlerin taşınabilirliğini ve kullanım kolaylığını iyileştirmek için kritik önem taşımaktadır. Bu nedenle, sınırlı sayıda elektrot kullanarak yüksek performans elde edebilen BBA sistemleri geliştirilmesi, BBA sistemlerinde mevcut sorunların iyileştirilmesine olanak sağlayacaktır. Bu tez çalışmasında üç farklı deney uygulanmıştır. İlk deneyde, MHH EEG sinyallerindeki gürültüleri temizlemek amacıyla mevcut bazı gürültü temizleme algoritmaları kullanılmış ve test edilmiştir. Bu aşamada, elektrookülogram (EOG) elektrotlarının da gürültü temizleme sürecinde derin öğrenme sistemleri tarafından kullanılması değerlendirilmiştir. EOG elektrotları göz hareketlerini yakalayarak bunların EEG sinyallerine dahil edebileceği gürültüleri temizlemek için faydalıdır. Bu ilk deney sırasında, Ortak Ortalama Referanslama (OOR), EOG Regresyonu, Dalgacık Temelli Gürültü Temizleme ve Ortak Uzamsal Örüntü (OUÖ) yöntemleri kullanılmıştır. OUÖ dışındaki tüm yöntemler, gürültü temizleme yöntemidir. OUÖ ise bir dönüşüm yöntemidir, iki sınıfı birbirinden ayırt edebilecek bir dönüşüm yaratır. Dolayısıyla, bu dönüşüm aşamasında sinyalleri gürültüden arındırma potansiyeline sahip olduğu için burada kullanılmış ve diğer yöntemlerle performansı karşılaştırılmıştır. Tüm bu yöntemler için veri kümesinde mevcut tüm EEG elektrotları kullanılmıştır, yani bu aşamada elektrot azaltılması uygulanmamış sadece gürültü temizleme algoritmaları test edilmiştir. Ayrıca, mevcut EEG elektrotlarına EOG elektrotları da dahil edilerek kullandığımız derin öğrenme sisteminin göz hareketi kaynaklı gürültüleri yakalaması beklenmiş ve elde edilen sonuçlar diğer yöntemlerle kıyaslanmıştır. İkinci ve üçüncü deneylerde, elektrot sayısını azaltarak yüksek performans elde edilmeye çalışılmıştır. Bu deneylerde MHH BBA sistemlerinde her bir veri kümesinde bulunan tüm denekler için ortak olacak şekilde elektrotlar seçilmiştir. Literatürdeki çalışmaların çoğunda elektrot seçimi bireysel olarak, denek bazlı yapılmaktadır. Denek bazlı elektrot seçimi her bir denek için iyi performans sağlasa da, BBA sistemlerinin esnekliğini artırma açısından yetersiz kalmaktadır. Bu nedenle tüm denekler için ortak elektrotlar belirlemek sistemlerin genelleştirilebilirliğini ve kullanım kolaylığını artırma açısından önem taşımaktadır. Ayrıca literatürde elektrot azaltma süreci için çoğunlukla iki sınıflı veri kümesi kullanılmıştır. İki sınıflı sınıflandırma problemi için elektrot azaltma süreci daha kolaydır, çünkü bu genellikle iki sınıfın beyindeki merkezlerinin birbirine uzak olduğu durumlarla ilişkilidir. Çok sınıflı sınıflama problemlerinde bu süreç daha zordur, ancak BBA sistemlerinin genelleştirilmesi açısından bu adım oldukça gereklidir. Dolayısıyla kullanmış olduğumuz veri kümeleri en az 4 sınıftan oluşmaktadır. İkinci deneyde filtreleme yöntemleri olan diverjans analizi ve rayleigh katsayı haritası kullanarak en uygun EEG elektrotları bulunmuştır. Bu adımda mevcut elektrotlardan beş elektrot seçerek sınıflandırma performansları elde edilmiştir. Ayrıca bazı ön işlem ve veri çoğaltma (artırma) işlemleri de bu ikinci deney aşamasında az sayıda elektrodun performansını artırmak için kullanılmıştır. Üçüncü deneyde ise ilk deneyde kullanmış olduğumuz EOG elektrotlarının önemine ilişkin çalışmalar hem filtreleme hem de sarmalama tabanlı yöntemlerle elde edilmiştir. EOG'nin önemi anlaşıldıktan sonra, az sayıda EEG elektroduyla mevcut EOG elektrotları birleştirilerek performans sonuçları gözlemlenmiştir. Bu üçüncü deneyde Karşılıklı Bilgi, Ortak Uzamsal Örüntü (OUÖ), Kanal Dikkat Mekanizması (KDM), Permütasyon Önem Skoru ve Rastgele Arama Algoritması elektrot seçim (önem) aşamasında kullanılmıştır. Bu tezin ilk bölümünde MHH BBA sistemlerine giriş yapılmış ve ilgili literatür incelenmiştir. İkinci bölümünde EEG tabanlı BBA sistemleri tanıtılmıştır. Bu bölümde Kararlı Hal Görsel Uyarılmış Potansiyel tabanlı BBA, P300 tabanlı BBA ve Motor Hareket Hayali tabanlı BBA sistemleri anlatılmıştır. Üçüncü bölümde, EEG verileri için ön işleme adımları tanıtılmıştır. Burada bahsedilen metotlar, hem ön işleme adımlarını hem de dönüşüm yöntemlerini temsil etmektedir. Bu metotlar, sinyalleri derin öğrenme mimarisine vermeden önce, gerçek bilgiyi yalın bir şekilde ortaya koyabilmesi için büyük önem taşımaktadır. Dördüncü bölümde, tezde kullanılan elektrot seçim algoritmaları kapsamlı bir şekilde anlatılmıştır. Burada hem filtreleme tabanlı yöntemler hem de sarmalama tabanlı yöntemler ele alınmıştır. Bu yöntemler etkili bir elektrot seçimi yapılabilmesi için oldukça önemlidir çünkü doğru elektrotlar, beyin sinyallerinin daha doğru bir şekilde alınmasını ve analiz edilmesini sağlar. Elektrot seçim süreci, BBA sistemlerinin verimliliğini doğrudan etkileyen bir adımdır ve sistemin genel başarısına katkı sağlar. Ayrıca, elektrotların doğru seçimi, gereksiz veri noktalarının elimine edilmesine ve böylece sistemin daha hızlı ve verimli çalışmasına olanak tanır. Beşinci bölümde derin öğrenme metotlarına giriş yapılmıştır. Burada kısaca Yapay Sinir Ağları (YSA) ve Evrişimsel Sinir Ağı (ESA)'dan bahsedilmiştir. Daha sonra tezde önermiş olduğumuz iki farklı model tanıtılmıştır. Altıncı bölümde, gerçekleştirilen deneyler ve elde edilen sonuçlar paylaşılmıştır. Yapmış olduğumuz üç farklı deneyin sonuçları bu bölümde anlatılmıştır. Son olarak yedinci bölümde, elde edilen sonuçların önemi ve gelecekte yapılacak çalışmalar anlatılmıştır. Bu tezde elde edilen sonuçlar, BBA sistemlerinde az sayıda elektrot ile iyi sonuçlar alınabileceğini göstermektedir. Bu açıdan bakıldığında önermiş ve sunmuş olduğumuz bu çalışma BBA sistemlerinde karşılaşılan sorunlara bir çözüm olmaktadır. Elde edilen bu sonuçlar, özellikle pratik uygulamalarda BBA sistemlerinin daha yaygın kullanılmasını teşvik edebilir ve gelecekteki araştırmalar için yeni yönelimlere ışık tutabilir.