Beyin Bilgisayar Arayüzleri , insanların motor sinir sistemlerini kullanmaksızın bir bilgisayarı, elektromekanik bir kolu ya da çeşitli nöroprotezleri kullanmalarını olanaklı hale getiren sistemlerdir. Beynimizi oluşturan çok sayıdaki sinir hücresi (nöronlar) elektrokimyasal etkileşimler ile birbirleriyle haberleşirler. Bu haberleşme sırasında, kafatası üzerine yerleştirilecek elektrotlar sayesinde, meydana gelen iletişim hakkında bilgi edinmek mümkündür. Beynin, basitçe, farklı işlemleri gerçekleştiren bölümlerden oluştuğunu düşündüğümüzde ilgili bölüme yakın yere yerleştirilecek olan elektrotlar o bölgeye ilişkin bir bilgi edinmemizi sağlarlar. BBA sistemleri farklı kombinasyondaki elektrotlar ve bu elektrotlardan alınan elektriksel sinyallerin farklı şekillerde analiz edilmeleri ile gerçekleştirilirler.

BBA sistemlerinde elektrotlar ile nöronların elektrokimyasal etkileşimlerinin elektriksel yansımalarını algılayabilmek için kullanılan en yaygın yol kafatası üzerine elektrotlar ile nörolojik sinyalleri almaktır(EEG).

Elektrotlardan gelen düşük genlikteki elektrofizyolojik sinyal ilk olarak bir yükselteç bloğuna gelir. Burada yükseltilen sinyal belli bir ilgili frekans aralığında süzülür. Süzülen sinyal üzerinde, hangi sinyallerin ne tür anlamlar içerdiklerini anlamak üzere çeşitli öznitelik çıkarımları uygulanarak, ne tip örüntülerin ne tip anlamlar içerebilecekleri araştırılır. Gerekli özniteliklerin bulunmasının ve bu özniteliklerin anlamlandırılmasının ardından gerekli kontrol komutları üretilir ve yapılması arzu edilen motor fonksiyon gerçekleştirilir. [1]

İnsanlara gerçekleştirilmesi istenilen beyin aktivitesine göre çeşitli görevler verilir ve bu görevler esnasında kaydedilen EEG sinyalleri birçok algoritma, matematiksel yöntemler ve teknikler kullanılarak optimize edilir.

Destek Vektör Makinesi (DVM)

Destek vektör makinesi örüntü tanımada gittikçe gözde hale gelen bir genelleme yöntemidir. DVM iki sınıflı veriye ait bir nokta kümesini ayıran bir en iyi alt düzlem bulmaya çalışır. Destek vektör makineleri doğrusalca ayrılabilen ve ayrılamayan veriler üzerinde ikiye ayrılır.

Doğrusalca Ayrılabilir Veri: Doğrusalca ayrılabilir veri durumunda herbiri yi={-1,1} ile gösterilen sınıflardan birine ait olan, Rn ’in elemanı olan xi’ler, i=1,…,N, kümesi S verilmiştir. Amaç, veri kümesini verilen etiketlere göre bir alt düzlemle ayırıp, aynı sınıfa ait bütün veri noktalarını alt düzlemin aynı tarafında bırakmaktır.

Doğrusalca Ayrılamayan Veri: Bilindiği gibi, gerçek hayatta gürültü ve veri sınıflarının doğrusal olmaması nedenleriyle doğrusalca ayrılabilir veri genelde bulunmaz. DVM’yi bu tip veriye uygulamak için, doğrusalca ayrılabilir veri durumunda sunulan kısıtları bir yapay ξi değişkeni tanımlayarak esnetebiliriz. Şimdiki problemimiz iki sınıflı veriyi, aynı sınıfa ait verinin mümkün olan en büyük kısmını alt düzlemin aynı tarafında bırakacak şekilde ayıran alt düzlemi bulmaktır. [2]

2. Lineer Diskriminant Analizi(LDA)

LDA machine learning uygulamaları için preprocessing aşamasında boyut azaltma tekniği olarak kullanılır. Amaç, overfittingi önlemek ve aynı zamanda hesaplama maliyetlerini azaltmaktır. LDA, genel olarak PCA’a benzesede LDA’in çalışma mantığında Sınıflar arasındaki uzaklığı maksimize etmek vardır.PCA’da sınıf kavramı yoktur PCA sadece data pointler arası mesafeyi maksimize etmeye çalışır. Özetle LDA amacı sınıflar arasında ki farkı maksimize ederek veri setinde boyut indirgemektir. [3]

Naive Bayes

Naive Bayes sınıflandırıcısının temeli Bayes teoremine dayanır. lazy ( tembel ) bir öğrenme algoritmasıdır aynı zamanda dengesiz veri kümelerinde de çalışabilir. Algoritmanın çalışma şekli bir eleman için her durumun olasılığını hesaplar ve olasılık değeri en yüksek olana göre sınıflandırır. Az bir eğitim verisiyle çok başarılı işler çıkartabilir. Test kümesindeki bir değerin eğitim kümesinde gözlemlenemeyen bir değeri varsa olasılık değeri olarak 0 verir yani tahmin yapamaz. Bu durum genellikle Zero Frequency ( Sıfır Frekans ) adıyla bilinir. Bu durumu çözmek için düzeltme teknikleri kullanılabilir. En basit düzeltme tekniklerinden biri Laplace tahmini olarak bilinir. Kullanım alanlarına örnek olarak gerçek zamanlı tahmin, çok sınıflı tahmin, metin sınıflandırması, spam filtreleme, duyarlılık analizi ve öneri sistemleri verilebilir.[4]

En Yakın Komşu Metodu(KNN)

Sınıflandırmada kullanılan bu algoritmaya göre sınıflandırma sırasında çıkarılan özelliklerden, sınıflandırılmak istenen yeni bireyin daha önceki bireylerden k tanesine yakınlığına bakılmasıdır. Örneğin k = 3 için yeni bir eleman sınıflandırılmak istensin. Bu durumda eski sınıflandırılmış elemanlardan en yakın 3 tanesi alınır. Bu elamanlar hangi sınıfa dahilse, yeni eleman da o sınıfa dahil edilir. Mesafe hesabından genelde öklit mesafesi kullanılabilir. [5]

Lineer Regresyon

iki veya daha fazla değişken arasındaki ilişkiye denir. Bu ilişkinin düzeyini, kapsamını ölçme işine de regresyon analizi denir. Parametreler arasındaki ilişkiyi fonksiyon olarak elde etmek gerekir. Parametreler birbirinden bağımlı veya bağımsız olabilir. Lineer regresyonun anacı parametreler arasındaki ilişki fonksiyonunu elde etmektir. En basit makine öğrenme modelidir. Temel felsefe neden ve sonuç arasında lineer ilişki olup olmadığını belirlemektir.

Destek Vektör Regresyonu (Support Vector Regression – SVR)

Destek vektör regresyonu uyguladığımızda, çizeceğimiz aralığın maksimum noktayı içerisine almasını sağlamaktır. Bu çizilen maksimum aralıkların kestiği noktalara destek noktaları denir.Verilerimizin dağılımını aşağıdaki gibi varsayalım.

Verimizde bu çizdiğimiz çizgi doğrusal olabilir ancak farklı metodlar kullanarak eğriler çizmemizde mümkündür. Yani doğrusal SVR var olduğu gibi doğrusal olmayan SVR’de vardır. Bunun için SVR modeli uygulanırken Radial Basis Function (RBF) metodu ile birlikte uygulandığında doğrusal olmayan bir aralık çizmiş oluruz.

Sağda doğrusal, solda ise doğrusal olmayan bir destek vektör regresyonu görülmektedir. [6]

Ensemble Yöntemler

Başka yöntemlerde olmakla beraber yaygın olarak kullanılan yöntemler Bagging,Random Subsample vr Boosting’dir.

Bagging (Bootstrap Aggregating):Bu yöntemde, temel öğrenicilerin (base learner) herbiri, eğitim setinin rastgele seçilen farklı alt kümeleriyle eğitilir. Veri, önce eğitim ve test olarak ayrılır. Daha sonra eğitim için ayrılan veri setinden rastgele seçim yapılır ve her bir öğrenicinin çantasına konur. Torbadan çekilen topun torbaya tekrar konması gibi seçilenler tekrar seçilebilecek şekilde eğitim kümesinde kalmaya devam eder. Seçilen miktar eğitim için ayrılandan fazla değildir (genelde %60). Farklı eğitim setlerinin seçilmesindeki amaç karar farklılıkları (model farklı eğitim setiyle oluşunca doğal olarak kararlarda da bir miktar farklılık oluşacaktır) elde ederek başarıyı yükseltmektir. Kararlar ağırlıklı oylama ile birleştirilir.

Random Subsample (Rastgele altuzaylar):Bu yöntemde örneklerin seçimiyle ilgili bir kısıtlama yoktur. Burada her öğreniciye nitelikler kümesinin değişik alt kümeleriyle öğrenme yaptırılır. Yani eğitim esnasında bazı sütunlar seçilir bazıları seçilmez. Genelde niteliklerin yarısı seçilir. Yukarıda öğrenicilerin verdiği kararların birbirinden farklı olması gerektiğini söylemiştik. Rastgele altuzaylar için bu farklılık farklı niteliklerin seçimiyle sağlanıyor. Her öğrenicinin niteliklerin yarısı ile eğitildiği düşünülürse iki eğiticinin aynı nitelikleri kullanma olasılığı sadece dörtte bir olur. Kararlar ortalama ile alınır. Aynı sınıflandırıcı seçilebileceği gibi farklı sınıflandırıcılar da seçilebilir.

Boosting:Bagging yönteminin farklı bir versiyonudur. Fark; öğrenme sonuçlarının mütekip öğrenici için kullanılıyor olmasıdır. Diğer yöntemlere göre daha yaygındır, hızlı çalışır az bellek kullanır. Eğitim için ayrılan veri setinden bir temel öğrenici için rastgele seçim yapılır. Öğrenme gerçekleşir, model test edilir. Sonuçlardan yanlış sınıflandırılan örnekler belirlenir. Bunlar bir sonraki öğrenici için örnek seçiminde önceliklendirilir (seçilme olasılıkları arttırılır). Her seferinde bu bilgi güncellenir. Bagging yönteminde her bir örneğin seçilme şansı eşittir.[7]

Karar Ağaçları

Karar ağaçları sınıflama, özellik ve hedefe göre karar düğümleri (decision nodes) ve yaprak düğümlerinden (leaf nodes) oluşan ağaç yapısı formunda bir model oluşturan bir sınıflandırma yöntemidir. Karar ağacı algoritması, veri setini küçük ve hatta daha küçük parçalara bölerek geliştirilir. Bir karar düğümü bir veya birden fazla dallanma içerebilir. İlk düğüme kök düğüm (root node) denir. Bir karar ağacı hem kategorik hem de sayısal verilerden oluşabilir.[8]

Yapay Sinir Ağları

Yapay sinir ağları (YSA), insan beyninden esinlenerek geliştirilen ve günümüzde kodlama dünyasında sıklıkla kullanılan bir algoritmadır. Bir yapay sinir ağı, yapay sinir hücreleri arasında çeşitli bağlantılarla oluşur. Oluşan bu bağlantılar arasında önem (ağırlık ya da insan beynindeki “sinapslar”) vererek sonuca ulaşmayı amaçlar. Yeni bilgiler keşfetmekte ya da verilerin modellenmesinde dışarıdan yardım almadan, makine kendi kendine öğrenerek belirlenmiş amaca ulaşan bilgisayar (algoritma) sistemleridir.

Yapay sinir ağları modellemesinde giriş (x), çıkış(y) değişkenleri arasındaki ilişki y=f(x)+Hata şeklindedir. Burada hatayı(error) azaltmak için ağırlık(weight)(W) bilgileri ayarlanır ve atanır. Buradaki amaç girdilerin önemine göre bir işlem yaparak, girdilerle işlemi yapmaktır(aktivasyon fonksiyonu). Bir yapay sinir ağında gizli düğüm ya da düğümler olabilir. Model içinde veya giriş ve çıkış katmanları arasında gizlenmiş bir katman ve çevre ile doğrudan bağlantısı olmayan bir katman olabilir. Yapay sinir ağlarının avantajlarından olan bu işlem, yapıyı anlamamızda araştırmacıya kolaylık sağlar.

Yapay Sinir Ağları 2’e ayrılır:

İleri Beslemeli Ağlar: İleri beslemeli yapay sinir ağlarında aktarılan bilgiler sadece ileri doğru hareket eder yani girişten çıkışa doğru bir hareket söz konusudur. Bir katmandaki nöronlar sadece kendinen sonra gelen katmana gider, ardından sonuç(çıkış) katmanına geçer. İleri beslemeli yapay sinir ağları, giriş katmanındayken dışarıdan gelen bilgilere herhangi bir değişiklik yapmadan bir sonraki katmana aktarır. Bu süreç içinde bilgi, orta ve çıkış katmanında fonksiyonlarla belli bir ağırlığa sahip olur ve çıkış nöronuna yönlendirir.

Geri Beslemeli Yapay Sinir Ağları: En az bir hücrenin çıkışı, diğer herhangi bir hücreye giriş olarak verilir bundan dolayı genellikle geri beslemeli yapay sinir ağlarında bir geciktirme eleman üzerinden yapılır. Besleme işlemi bir katmandaki hücreler arasında olmayabilir, bu sebeple doğrusal ilişkinin varlığından söz edilemez. Bu sebeple yapay sinir ağlarının geri beslemenin yapısı veri setine göre değişkenlik gösterebilir.[9]

K-Means

K-Means algoritması bir unsupervised learning ve kümeleme algoritmasıdır. K-Means’ teki K değeri küme sayısını belirler ve bu değeri parametre olarak alması gerekir. Bu durum aslında bir dezavantajdır. K değerini kendi hepsalayan X-Means adında başka bir algoritmada vardır. Algoritmanın basit bir çalışma şekli vardır.

K değeri belirlendikten sonra algoritmada rastgele K tane merkez noktası seçer. Her veri ile rastgele belirlenen merkez noktaları arasındaki uzaklığı hesaplayarak veriyi en yakın merkez noktasına göre bir kümeye atar. Daha sonra her küme için yeniden bir merkez noktası seçilir ve yeni merkez noktalarına göre kümeleme işlemi yapılır. Bu durum sistem kararlı hale gelene kadar devam eder.[10]

Hiyerarşik Kümeleme

Agglomerative ( Parçadan bütüne ) ve Divisive ( Bütünden parçaya ) olarak iki farklı varyasyonu vardır.
Agglomerative varyasyonunu anlatmaya çalışırsak ilk önce tüm veriler bir küme haline getirilir yani N tane eleman varsa N tane küme oluşur. Daha sonra birbirine mesafe olarak yakın olan kümeler birleşerek yeni bir küme oluşturur. Bu durum sistem kararlı oluncaya kadar devam eder. Divisive ise Agglomerative’ in tam tersidir. İlk başta tüm veriler tek bir küme oluşturulur. Daha sonra bu küme parçalanarak kümeleme işlemi yapılır.

Agglomerative ( Yığınsal ) hiyerarşik kümelemede mesafe hesaplamak için bir çok yol vardır. Dendrogram oluşturmada da kullanılırlar.
Single Linkage : İki küme arasındaki en yakın mesafeyi hesaplar.
Complete Linkage: İki küme arasındaki en uzak mesafeyi hesaplar.
Average Linkage: İki küme arasındaki ortalama mesafeyi hesaplar. [10]

Gaussian Mixture Model

Birçok veri seti Gauss Dağılımıyla modellenebilir. Bu nedenle, verisetlerindeki kümelerin farklı Gauss Dağılımlarından geldiğini varsaymak oldukça olağandır. Yani GMM, verisetini ,normallik varsayımı altında, k-adet Gauss Dağılımının bir karışımı olarak açıklanan modeldir. Bu modelin ana fikri budur.

Açmak gerekirse verilen örneklerin kaynaklarının k-adet Gauss dağılımı olduğunu varsayıp, bu kaynaklara ait Gauss parametrelerinin, karışımın olasılık yoğunluk işlevini maksimize edecek optimizasyonudur. Böylece, verisetinin tek dağılımdan üretildiğinin varsayılıp modelleme yapan algoritmaların çıkmaza girdiği yerlerde bile GMM başarılıdır.

Gaussian Mixture Model yapılabilecek en kısa tabirle Gauss dağılımını baz alan bir Unsupervised(denetimsiz) kümeleme algoritmasıdır. GMM’in en önemli özellikleri;
Olasılık temelli yaklaşımı verisetindeki her örneğin tüm kümelere aidiyet olasılığını verir. Çok kullanılan kümeleme algoritmaları gibi (örn: k-means) kümelemeyi dairesel yapmaz. Kümeler daha çok elipse yatkındır.[11]

Markov Zinciri

Markov Zincirleri, dinamik ve stokastik sistemlerin analizinde ve özellikle bir sistemin zaman boyunca içinde bulunabileceği farklı durumlar arasında yaptığı hareketlerin incelenmesinde yaygın olarak kullanılan modellerdir. Başka bir deyişle bir Markov zinciri, Markov sürecinin özel bir durumudur ve belirli stokastik sistemlerin uzun ve kısa dönemdeki davranışlarını modellemek için kullanılır. Sistemin zaman içerisinde bulunabileceği tüm olası durumların listesi Markov Zincirlerinin en önemli elemanıdır. Markov zincirlerinde, bir sistemin sonlu sayıda olası durumu vardır. Sistemin belli bir t anında içinde bulunabileceği tüm durumlara ait olasılıklar, boyutlu bir vektör ile gösterilir. Bu vektöre, durum olasılık vektörü adı verilir.[12]

Motor Hareket Hayali (MHH)

Kullanıcının, motor bir hareketi hayal etmesi sırasında alınan beyin sinyallerinden o hareketin tahmin edilmesi esasına dayanan bir BBA yöntemidir. Bağımsız bir BBA türü olması ve pratik olması gibi nedenlerden dolayı, motor hayali çeşitli BBA türleri arasında oldukça popülerdir. Motor hareket hayali sinyalleri beyinin motor korteks olarak adlandırılan, istemli hareketlerden sorumlu bölgesinden elde edilir. Bu sinyallerin alınması için fonksiyonel manyetik rezonans görüntüleme (fMRI), pozitron emisyon tomografi (PET), Elektrokortikogram (EKoG) ya da Elektroansefalografi (EEG) gibi işaret alma metotları kullanılabilir. Bu sinyal türleri içerisinde pratik, ucuz, hızlı ve girişimsiz bir yöntem olduğundan, genellikle EEG tercih edilir. Popüler olmasına rağmen, motor hareket hayali işaretlerinin sınıflandırılması oldukça zordur. Bunun temel nedeni ise, düşük uzamsal çözünürlüktür. Düşük uzamsal çözünürlük nedeniyle motor hareket hayali ile ilişkili sinyaller beynin farklı bölgelerinde bulunan başka sinyal kaynakları ile karışır ve bu, elde edilen EEG sinyalinden motor hareket hayali sinyallerinin ortaya çıkarılmasını güçleştirir. Ayrıca motor hareket hayali sinyal karakteristiklerinin kişiden kişiye hatta aynı kişi için zamanla değişebilir olması, sınıf sayısının sınırlı olması, EEG işaretinin durağan olmaması ve deneklerin motor hareketlerin hayal edilmesi konusunda tecrübesiz olması da bu tarz işaretlerin sınıflandırılmasını güçleştiren unsurlardandır. [13]

Neurofeedback Eğitimi(NFT)

Neurofeedback eğitimi olaya bağlı olarak duyusal (bilinçli) geri bildirim vererek beyin olaylarını kontrol etmeyi öğrenmek olarak tanımlanır. Basitçe bir termometre tutarak, örneğin insanların rahatlamasına ve kan basıncını düşürmesine yardımcı olduğu görülüyor. Hayvanların neurofeedback çalışmaları, onlarca yıl boyunca olumlu sonuçlar göstermiştir. Milyarlarca nöronu olan bir beyinde basit duyusal geribildirim, aksi takdirde istemsiz nöronal ateşleme üzerinde gönüllü kontrolün eğitimine izin verebilir.[14]

ERD-ERS

Olaya-ilişkin-eşzamanlılık, frekans uzayında gözlenen bir EEG tepkisidir. ERS/ERD daha çok motor eylemlerle alakalı olan 12-30 Hz (beta) ve 8-12 Hz (alfa) EEG ritimleri ile kullanılır. EEG sinyalinin beyin korteksindeki birçok nöron hücresinin ateşlemelerine bağlı sinirsel akış trafiği tarafından üretildiği bilinmektedir. Buna göre beynin bir bölgesinde nöronlar ateşlemeleri senkronize bir şekilde yaparsa, ürettiği EEG sinyalinin genliğinin daha yüksek olması beklenir. Aksi halde, eğer bir bölgede nöronlar ateşlemeleri rastgele yapıyorsa, ritmik EEG sinyallerinin genliğinin düşük olması beklenir. Bu ilkeden yola çıkarak birey tarafından bir hareket yapıldığı zaman, hareket ile ilgili motor korteksindeki nöronlar, ateşlemeleri birbirinden bağımsız olarak yapmaktadır ve ritmik EEG sinyalinin genliği düşmektedir. Bu duruma olaya-ilişkin-eş zamansızlık (ERD) denir. Birey rahatladığı zaman ise, motor korteksindeki nöronlar ateşlemeleri eşzamanlı bir dalga biçimde yapmaya başlar ve bundan dolayı ritmik EEG sinyali görülür. Bu duruma olaya-ilişkin-eşzamanlılık (ERS) denir. BBA amaçları için kullanılan motor korteksteki alfa ve beta ritimleri için, birey hareket ettiği veya hareket etmeyi sadece düşündüğü zaman motor korteksindeki EEG sinyalinin gücü, bahsi geçen frekanslarda anlık olarak değişir. Birey rahat olduğu zaman alfa ve beta ritimleri gözlenmektedir. Birey bir hareketi düşündüğü zaman ise harekete bağlı olan kontralateral motor korteks bölgesinde alfa ve beta ritimlerinde düşme görülmektedir. Bireyin motor korteksinin sağ ve sol tarafındaki alfa ve beta ritimlerini kontrol etmeyi öğrenebilmesi mümkündür. Böylece bireyler, sağ/sol taraftaki alfa ve beta ritimlerini kontrol ederek bilgisayara bilgi gönderebilmektedir.[15]

ERP

İlk BBA çalışmaları, 1960-1970’li yıllarda Fetz ve arkadaşları tarafından, bireyler üzerinde yapılan deneylerde beyindeki belirli nöron aktivitesinin anlamlandırılabileceği gösterilmiştir. Benzer şekilde, 1960’lı yıllarda bireyin bir uyarıcıya dikkat verdiğinde uyarıcı geldikten 300-500 ms sonra cevaben beynin yan lobun elektroensefalografi (EEG) sinyalinde görünen büyük bir pozitif sapma keşfedilmiştir. Bu olay-ilişkili potansiyel (event-related potential, ERP) olarak adlandırılan buluş kullanılarak, tamamen felçli insanlardan “evet-hayır” diye ayrılan sinyalleri algılayabilmek için 1980-1990 yılları arasında bir yöntem önerilmiştir. P300-çözücü (P300 decoder) diye adlandırılan bu yöntem, bireye alfabe harflerini sırayla gösterip birey tarafından dikkat verilen harfleri P300 kullanılarak belirlenip, birey tarafından niyetlenen kelimeleri ve cümleleri ortaya çıkartabilmiştir .[15]

Hex-o-Spell

Hex-o-Spell üç unsurdan oluşur: beyin aktivitesinin EEG ölçümü, bu aktiviteyi yorumlamayı makine öğrenimi ve harflerin toplanmasını kolaylaştırmak için bir dil modeli kullanan alfabenin akıllı altıgen ızgarası. Hex-o-Spell kullanıcılarından, örneğin, sağ elinin bir parmağını veya sol elinin bir parmağını hareket ettirmeleri istenir. Her hareket için motor komutuna karşılık gelen sensorimotor kortekste beyin sinyalleri biraz farklı yerlerde ortaya çıkar. (Hayal edilen hareketler de kullanılabilir, ancak teknoloji ampute veya felçli kullanıcılar için tasarlandığından, beyindeki gerçek motor komutlarının kullanılması daha iyidir. Bu hastalarda bir ‘hayali komut’ olabilir, ancak hareket değil.)[16]

SSVEP

bireyin sadece beyin aktivitesi yorumlanarak bilgisayar, elektronik sistemler veya tekerlekli sandalye gibi dış ortam cihazları ile iletişim kurması sağlanmaktadır. Bu çalışmada kararlı durum görsel uyarılmış potansiyeller (Steady-State Visual Evoked Potentials, SSVEP) tabanlı BBA sistemi ile DC motorun hız ve yön kontrolü gerçekleştirilmiştir. BBA sisteminde DC motorun sola dönmesini, sağa dönmesini, hızını arttırmasını, hızını azaltmasını ve durmasını temsil eden 5 adet düşük frekans gurubundaki dama desenli görsel uyaranlar tasarlanmıştır. Görsel uyaranlar ve kullanıcıya geribildirim için LCD ekran kullanılır. Kullanıcıların elektroansefalografi (EEG) kayıtları için 14 kanallı kablosuz Emotiv EEG başlık kiti kullanılmıştır. Elde edilen kayıtlar, sınıflandırma öncesi 5-40 Hz arasında bant geçiren filtreden geçirilmiştir. BBA sisteminde sınıflayıcı olarak Kanonik Korelasyon Analizi (KKA) kullanılmıştır. BBA otomasyon sistemi, çevrimiçi 10 sn’lik örnekler kullanılarak deneye katılan 2 sağlıklı gönüllü ile test edilmiş ve tasarlanan BBA sisteminin iyi bir performansa sahip olduğu görülmüştür.[17]

Tekil değer ayrışımı (SVD: Singular Value Decompostion)

Sinyal ve görüntü işleme alanında gürültü giderme, bilginin geri kazanımı, bilgi sıkıştırma ve örüntü tespiti gbi amaçlar için kullanılan bir yöntemdir. Tekil değer ayrışımı ile veri, gürültü ve sinyal olmak üzere birbirini tamamlayan alt uzaylara ayrılarak işaret – gürültü oranı artırılır.[18]

Temel bileşen analizi (PCA: Principal Component Analysis)

Verinin bileşenleri arasındaki yüksek korelasyonu temel alarak ayırma işlemi gerçekleştirir. Verinin, yüksek korelasyonlu bileşenler içermesi durumunda temel bileşen analizi yönteminin doğruluğu artmaktadır. Kalan korelasyonsuz bileşenler ise kolaylıkla kaldırılmaktadır. Temel bileşen analizi; sinyal işleme, veri sıkıştırma, veri görüntüleme, görüntü analizi ve örüntü tanıma gibi birçok alanda kullanılmaktadır.

Temel bileşen analizinin amacı, datanın sahip olduğu birbiri ile korelasyonu yüksek olan değişkenleri, birbiri ile ilişkili olmayan sıfır ortalamalı ve daha az boyutlu değişkenlere (temel bileşenlere) ayırmaktır.[18]

Bağımsız Bileşen Analizi (ICA: Independent Component Analysis)

Çok değişkenli bir veri kümesinde doğrusal ve ortogonal olan koordinat sisteminin bulunmasını sağlayan bir metottur. Bağımsız bileşen analizi, verinin koordinat sistemi üzerindeki izdüşümlerini birbirinden bağımsız hale getirir ve aralarındaki ilişkiyi minimum seviyeye düşürür . Bağımsız Bileşen Analizi’nin amacı; kaynaklar arasındaki ilişkiyi azaltan doğrusal dönüşüm yapmaktır.[18]

Dalgacık dönüşümü

Dalgacık Dönüşüm Algorritması, farklı boyutlu pencereleme yöntemidir. 1982’de Jean Morlet tarafından geliştirilen dalgacık dönüşüm algoritması, sinyali farklı frekans değerleri için farklı çözünürlükte inceleyen bir yöntemdir. Dalgacık dönüşüm algoritmasının avantajlarını daha iyi belirtmek adına Fourier Dönüşümü ve Kısa Zamanlı Fourier Dönüşümü’nden bahsedilecek olunursa: Fransız bilim adamı Jean Baptise Joseph Fourier (1768-1830), işareti sinüzoidal bileşenlerine ayırarak Fourier Analizi’ni bulmuştur. Fourier Dönüşümü ile zaman ekseninden frekans eksenine geçilerek işaretin genliği frekans aralıklarına göre incelenmektedir.

Sürekli dalgacık dönüşümü: Sürekli dalgacık dönüşümü (CWT: Continious Wavelet Transform), işaretin ana dalgacık fonksiyonunun ölçeklendirilmiş ve ötelenmiş haliyle çarpılıp tüm zaman boyunca toplanmasından elde edilir.

Düşük ölçeklerde dalgacık daralır ve ani değişimler (yüksek frekanslar) yakalanırken yüksek ölçeklerde ise dalgacık genişleyerek düşük frekanslar yakalanır . Sürekli dalgacık dönüşümü, bilgisayarda hesaplanırken ayrık olarak işlenir. Ancak, ayrık dalgacık dönüşümünden farkı ölçeğin ve kaymanın sürekli olmasıdır.

Ayrık dalgacık dönüşümü: Sürekli dalgacık dönüşümündeki işlem ve veri kapasitesi çok büyük olduğu için işlem verimliliğini arttırmak amacıyla konum ve ölçeklerin ikili kuvvetleri alınır ve bu işleme Ayrık Dalgacık Dönüşümü (DWT: Discrete Wavelet Transform) denir. Sürekli dalgacık dönüşümünün her τ öteleme değeri ve her a ölçek değeri için hesaplama gerektirdiği göz önünde bulundurulursa, gereksiz işlemden kaçınmak amacıyla τ ve a değerleri ayrıştırılarak sürekli dalgacık dönüşümünden ayrık dalgacık dönüşümüne geçiş sağlanmaktadır.[18]

Kaynakça

Kategori:

Teknoloji

Tags:

No Tag

Henüz yorum yok

Bir yanıt yazın Yanıtı iptal et

Yorum yapabilmek için oturum açmalısınız.

Beyin Bilgisayar Arayüzünde Kullanılan Yöntemler

2. Lineer Diskriminant Analizi(LDA)

Henüz yorum yok

Bir yanıt yazın Yanıtı iptal et