EEG klavyesi tasarımı

Abstract

Elektroensefalografik (EEG) verilerinin, sanal klavye yazılımında nümerik karakterlerin tahminlemesi için giriş verisi olarak kullanılıp kullanılamayacağını belirlemek üzere bu tez çalışması planlanmıştır.Bu tez çalışmasında OpenBCI headband ile elde edilen EEG sinyalleri geliştirilen yükseltme devresi ile Myrio kartına gönderilmiştir. Myrio kartına yazılan firmware sayesinde yapılan ölçümler Wifi üzerinde çalışmaya özel geliştirilen mobil cihaz veya bilgisayar yazılımına gönderilmektedir. Çalışma 4 gönüllüden elde edilen 2200 farklı kayıt kullanılarak test edilmiştir. Kayıtlar üzerinde 4 farklı makine öğrenmesi metotları ( KNN, RBF, SOM ve YSA) kullanılarak eğitim gerçekleştirilmiş ve sonuçları karşılaştırılmıştır. Verilerin %50 si yani yarısı eğitim diğer yarısı ise test için kullanılmıştır. Eğitimin başarısını değerlendirmek için hata matrisi kullanılarak hesaplanan doğruluk, Kappa değeri, hata değeri (RMSE), kesinlik(Precision), F-ölçütü, ROC değeri performans değerlendirme kriterleri kullanılmıştır.Geliştirilen çalışmadaki yazılım Myrio cihazından gelen EEG verilerini YSA algoritmasını kullanarak %96 gibi yüksek bir doğruluk oranıyla ve ortalama 1sn gibi düşük bir süreyle sınıflandırabilmektedir. Bu çalışma ile geliştirilen sanal klavyenin özellikle engelli bireyler olmak üzere birçok kullanıcıya mobil cihazlarda ve bilgisayarda kolaylık sağlayacağı düşünülmektedir.

This thesis study is planned to determine whether electroencephalographic (EEG) data can be used as input data for estimation of numerical characters in virtual keyboard software.In this thesis, EEG signals obtained with OpenBCI headband were sent to Myrio card with the developed amplification circuit. Thanks to the firmware written on the Myrio card, the measurements are sent to the mobile device or computer software specially developed for working on Wifi. The study was tested using 2200 different records from 4 volunteers. Training was carried out on the records using 4 different machine learning methods (KNN, RBF, SOM and ANN) and the results were compared. 50% of the data was used for training and the other half for testing. In order to evaluate the success of the training, the performance evaluation criteria of accuracy, Kappa value, error value (RMSE), precision, F-criterion, ROC value calculated using the error matrix were used.The software in the developed study can classify the EEG data from the Myrio device using the ANN algorithm with a high accuracy rate of 96% and an average time of 1 second. It is thought that the virtual keyboard developed with this study will provide convenience to many users, especially disabled individuals, on mobile devices and computers.