Uyaran zamanlaması parametrelerinin optimize edilerek P300 sinyallerinin hızlı belirlenmesi

Abstract

Elektroensefalografi (EEG) tabanlı Beyin Bilgisayar Arayüzleri (BBA) alanında yapılan araştırmalar, mevcut olanlardan daha hızlı ve daha yüksek bir sınıflandırma doğruluğu yöntemi geliştirmeyi amaçlar. EEG sinyallerinin, en fazla kayıt etme yaklaşımı motor hayaline dayalı ve olay ilişkili P300 EEG kayıtlamalarıdır. BBA uygulamalarında sistemin performansı sınıflandırma doğruluğu yanında sistemin karar verme hızına da bağlıdır. P300 tabanlı BBA uygulamalarında seçilecek sınıfın flaşlanma süresi (FS) ve flaşlar arası bekleme süresi (BS) sistemin karar verme hızını etkileyen önemli parametrelerdir. Bu tez çalışmasında bu parametrelerin etkileri 3 farklı protokol için incelenmiştir. Bu protokoller hızlı (FS=35 milisaniye (ms), BS=50 ms), orta (FS = 50 ms, BS= 75 ms) ve yavaş (FS = 100 ms, BS=100 ms) olarak adlandırılmıştır. Eğitim ve test veri setleri, 8 gönüllü bireyden yaklaşık bir hafta ara ile kaydedilmiştir. Öznitelikler standart sapma, varyans, ortalama, Dalgacık Dönüşümü ve Fourier Dönüşümü teknikleri ile çıkarılmıştır. Bu öznitelikler hızlı bir yöntem olan k-en yakın komşuluk ile sınıflandırılmıştır. Elde edilen sonuçların ortalaması hızlı, orta ve yavaş için sırasıyla %87.08, %85.41 %83.95'dur. Tüm katılımcıların en iyi performans ortalamaları %90 olarak hesaplanmıştır. Elde edilen sonuçlar P300 tabanlı BBA tasarımlarında kişiye özgü flaş süresinin ayarlanmasının sınıflandırma doğruluğunu arttırdığını ve karar verme süresini kısalttığını göstermektedir. The main goal of electroencephalography (EEG) based brain-computer interface (BCI) research is to develop a fast and higher classification accuracy rate method than those of existing ones. The mostly recording types are motor imagery and event-related P300 based. In BBA applications, the system's performance classification is dependent on the system's decision-making speed, as well as its accuracy. The stimulation duration (SD) of the class to be selected in P300 based BCI applications and the inter-stimulus interval (ISI) are important parameters affecting the decision speed of the system. In this thesis study, the effects of these parameters were examined for 3 different protocols. These protocols are called fast (SD = 35 ms, ISI = 50 ms), medium (SD = 50 milliseconds (ms), ISI= 75 ms) and slow (SD= 100 ms, ISI= 100 ms). The training and test data sets were recorded in one week of delay from 8 subjects. While the features were extracted by standard deviation, variance, mean, Wavelet Transform and Fourier Transform techniques. These features were classified by k-nearest neighbor, which is fast method. The average of the results obtained from these records was 87.08%, 85.41% and 83.95% respectively for these times. The average of the best performances of subjects in each flashing period was calculated as 90%. The obtained results show that the setting of the subject-specific flash duration in P300-based designs increases the accuracy of the classification and also shortens the decision-making time.