A design and implementation of P300 based brain-computer interface

Abstract

Bu çalışmada, Heceleme Paradigması uygulaması ile P300 tabanlı bir Beyin-Bilgisayar Arayüzü (BBA) sisteminin tasarımı gerçekleştirilmiştir. Bu sistemlerdeki temel hedef, BBA problemlerine farklı işaret işleme ve örüntü sınıflandırma yöntemleri uygulayarak, problemlerdeki tahmin mekanizmalarının hızını arttırmaktır.Bu tez çalışması, BBA uygulamalarında pratik olarak kullanılmak üzere, 10 kanallı bir Elektroensefalografik (EEG) veri toplama sistemi tasarımı ve kurulumunu içermektedir. Elektriksel ölçümler, süreğen bir EEG kaydı için aktif elektrotlar ile gerçekleştirilmektedir. Sayısal veri iletimi, sistemin herhangi bir bilgisayarda kontrol edilebilmesi için Evrensel Seri Yol (USB) aracılığıyla sağlanmaktadır.Wiener süzgeçleme yöntemi, P300 Heceleme Uygulaması'na bir sinyal işleme aracı olarak literatürde ilk defa uygulanmıştır. Bu yöntem ile kişiye özel P300 tepkilerinin algılanması için optimum zamansal frekans bantları belirlenmiştir. Tepkilerin sınıflandırılması, Destek Vektör Makineleri (DVM) ve Bayes karar yöntemleri kullanılarak gerçekleştirilmiştir. Bu yöntemler, P300 Heceleticisi'ndeki satır-sütun yanma gruplarına bağımsız bir şekilde uygulanmış ve kişinin bu iki görsel uyarana olan algısı incelenmiştir. İncelenen P300 Heceleticisi veri kümelerine göre, sınıflandırıcıların optimum parametrelerle bile bu iki gruptaki tahmin başarısının farklı olduğu gözlemlenmiştir. Ayrıca, bu veri kümelerinde, işaretler Wiener süzgeçleme yöntemi ile işlendiğinde sınıflandırma başarısı artmıştır. Bu yöntem ile 2. BBA Yarışması'ndaki P300 Heceleticisi veri kümesindeki test karakterler, 4 tekrar kullanılarak %100 başarıyla tahmin edilmiştir. Tasarlanan BBA sistemi ile ise hedef karakterin tahmini sadece 8 tekrar ile mümkündür.

In this study, a P300 based Brain-Computer Interface (BCI) system design is realized by the implementation of the Spelling Paradigm. The main challenge in these systems is to improve the speed of the prediction mechanisms by the application of different signal processing and pattern classification techniques in BCI problems.The thesis study includes the design and implementation of a 10 channel Electroencephalographic (EEG) data acquisition system to be practically used in BCI applications. The electrical measurements are realized with active electrodes for continuous EEG recording. The data is transferred via USB so that the device can be operated by any computer.Wiener filtering is applied to P300 Speller as a signal enhancement tool for the first time in the literature. With this method, the optimum temporal frequency bands for user specific P300 responses are determined. The classification of the responses is performed by using Support Vector Machines (SVM?s) and Bayesian decision. These methods are independently applied to the row-column intensification groups of P300 speller to observe the differences in human perception to these two visual stimulation types. It is observed from the investigated datasets that the prediction accuracies in these two groups are different for each subject even for optimum classification parameters. Furthermore, in these datasets, the classification accuracy was improved when the signals are preprocessed with Wiener filtering. With this method, the test characters are predicted with 100% accuracy in 4 trial repetitions in P300 Speller dataset of BCI Competition II. Besides, only 8 trials are needed to predict the target character with the designed BCI system.