EEG sinyalleri ile BCI heceleme sistemlerinde kanal seçme algoritmalarının tanıma performansına etkisinin incelenmesi

Abstract

Birkaç on yıllık geçmişi olan ve çalışma sayısı artan Beyin Bilgisayar Arayüzleri (BBA), bu tür bozukluklara sahip bireylerin çevreleriyle iletişim kurmalarını sağlamak üzere geliştirilmeye çalışılmaktadır.Heceleme sistemleri, bir ekranda bulunan harf ve rakamlardan oluşan matris içerisinde, kişinin odaklandığı karakterleri tespit ederek, uygulama aracılığıyla yazıya dönüştüren BBA sistemleridir. Problem, EEG kayıtlarının uzun süreli, tekrarlı ve çok kanallı kayıt edilmesi sonucu oluşan büyük veri ve buna bağlı oluşan işlem maliyetinin yüksek olmasıdır. Veri miktarını ve işlem maliyetini azaltmak için kullanılan yöntemlerden biri de kanal sayısının azaltılmasıdır. Bu amaçla, en iyileme teknikleri, hangi kanalın daha verimli olduğunun matematiksel model ile tasarlanamadığı durumlarda metasezgisel yöntemleri ile devreye girmektedir. Çalışma, 2005 yılında gerçekleştirilen BBA III Yarışması Veri Kümesi II olarak isimlendirilen veriler üzerinden gerçekleştirilmiştir.Çalışmada, genetik algoritma, ikili parçacık sürü en iyilemesi ve ikili yapay arı kolonisi ile kanal seçim işlemleri gerçekleştirilmiştir. Çalışma sonucunda seçilen kanallar, koşumlardaki seçim sayılarına göre 8 kanal, 16 kanal ve ortalama seçim sayısına göre gruplandırılmıştır. Seçilen kanalların, Destek Vektör Makinesi (DVM), En Küçük Kareler Destek Vektör Makineleri (EKK-DVM), Doğrusal Ayırıcı Analizi (DAA) sınıflayıcıları ile tekil ve topluluk yapısı ile performansları incelenmiştir.Sınıflayıcı performans analizi doğruluk, hassasiyet, kesinlik, F skor ölçümleri ile değerlendirilmiştir.Çalışma sonucunda kanal azaltma işleminin tüm sınıflayıcılar için performans artışına neden olduğu gözlenmiştir. Özellikle doğruluk oranı düşük olan verilerde daha yüksek oranda artış olmaktadır. Kanal seçimi sonrası %97'leri geçen doğruluk oranları elde edilmiştir. Metasezgisel en iyileme yöntemleri, BBA sistemlerinde kanal seçim işlemlerinde kullanılarak veri miktarının azalmasını ve buna bağlı olarak işlem maliyetinin düşmesini sağlamaktadır. Ayrıca tahmin performansını arttırmaktadır.

With several decades of history, BCI are being developed to enable individuals with such disorders to communicate with their environment.Speller systems are detected characters of the person focused in a matrix consisting of letters and numbers on a screen and convert them into writing through the application. The problem is large data and the associated processing costs are high.Reduce the number of channels used for reduce the amount of data and process cost. Optimization techniques come into play with metaheuristic methods in cases where which channel is more efficient cannot be designed with mathematical model.The study was conducted on the data called BCI III Competition Dataset II held in 2005.In this study, channels were selected by the genetic algorithm, binary particle swarm optimization and binary artificial bee colony. The selected channels were grouped according to the number of selections in the repetitions by 8 channels, 16 channels and average number of selections.The performance of the selected channels in the singular and ensemble structure was investigated by using SVM, LS-SVM and LDA. The classifier performance analysis was accuracy, sensitivity, precision, F score measurement.As a result of the study, it has been observed that channel reduction causes performance increase for all classifiers. Especially the data with low accuracy rate increases at a higher rate. After the channel selection, accuracy rates exceeding 97% were obtained. This metaheuristic methods are used in channel selection processes in BCI systems, decreasing the amount of data and the transaction cost.