Elektroensefalogram Tabanlı Beyin Bilgisayar Arayüzleri İçin Sınıflama Yöntemlerinin Geliştirilmesi

Abstract

Tezde, elektroensefalogram (EEG) tabanlı beyin bilgisayar arayüzleri (BBA) için uygun sınıflama yöntemlerinin geliştirilmesi amaçlanmıştır. P300 (pozitif 300) ve SSVEP (durağan hal görsel uyarılmış potansiyel) tabanlı sistemler üzerine odaklanılmıştır. Literatürde önceden önerilen ve P300 tabanlı bir probleme uygulanan bir sınıflama yönteminin (T-Ağırlık), uygun önişleme sayesinde sınıflamada daha başarılı hale getirilebileceği gösterilmiştir. Yöntem, IEEE MLSP 2010 Çalıştayı kapsamındaki EEG sınıflamasına yönelik yarışma verisine uyarlanmış ve katılan 35 grup arasında en iyi ikinci başarımı veren yöntem olmuştur. Bu yönteme eşik bulma fonksiyonu dahil edilerek, iki sınıflı problemler için başarılı bir sınıflayıcı yapısı (İyileştirilmiş T-Ağırlık yöntemi) geliştirilmiştir. Yöntemin genel uygulanabilirliğini artırmak için, çok sınıflı problemlerde çalışabilen MCTW (Çok-Sınıflı T-Ağırlık) yöntemi önerilmiştir. Bu yöntem, 20 denek üzerinde gerçekleştirilen SSVEP tabanlı 4 ve 5 sınıflı bir BBA tasarımı üzerinde denenmiş ve farklı sınıflayıcılarla karşılaştırılmıştır. Elde edilen veriler, MCTW yönteminin başarılı sonuçlar verdiğini ortaya koymuştur. Başka bir SSVEP tabanlı 9 sınıflı bir BBA deneyinde, katılan 9 denek çok yüksek sınıflama başarımlarına ulaşmıştır. Son olarak, literatürde kullanılan deney tasarımlarından farklı olarak, BBA için farklı bir uyaran sunum şekli önerilmiştir. Önerilen SSVEP tabanlı tasarımda, denekler yazmak istedikleri karakterleri, farklı noktalar arasında çizgiler çizerek oluşturmaktadır. Bu tasarıma, “Karakter Çizici” adı verilmiştir. Tasarım, geribildirimli deneylerde 16 denek üzerinde test edilmiş ve yeni bir tasarım olarak BBA için kullanılabileceği önerilmiştir.

In this thesis, it was aimed to develop appropriate classification methods for electroencephalogram (EEG) based BCIs. Focus was given to P300 (positive 300) and SSVEP (steady state visual evkoed potential) based systems. It was demonstrated that a previously proposed classification method (T-Weight) that was applied to a P300 based problem in literature can become more successful in classification by proper preprocessing. The method was adapted to the competition data of IEEE MLSP 2010 Workshop and generated the second best performance among 35 participant groups. By addition of a threshold determination function to this method, a classifier structure (Improved T-Weight Method) that is successful for problems with two classes was developed. In order to increase the general applicability of the method, MCTW (Multi-Class T-Weight) method which can work for multi-class problems was proposed. The method was tested on a SSVEP based BCI design with 4 and 5 classes on 20 subjects and compared with different classifiers. Obtained results show that MCTW method generates successful results. In another SSVEP based BCI experiment with 9 classes, 9 subjects achieved a very high classification accuracy. Finally, a stimuli presentation scheme different from the experiment designs in literature for BCI was proposed. In the proposed SSVEP based method, subjects form the characters that they want to write by drawing lines between different points. This design was called “Character Plotter”. It was tested in experiments with visual feedback on 16 subjects and it was suggested that Character Plotter can be used as a new approach for BCIs.