Beyin bilgisayar arayüzü (BBA) ile komut elde etme

EEG, beynin elektriksel aktivitesini kaydeden bir izleme yöntemi olup ilk olarak epilepsi bozukluklarını teşhis etmek için Nörobilim alanında ortaya çıkmıştır. Son zamanlarda yapılan çalışmalarda, EEG sinyalleri, insan beyni ile bilgisayar arasında direkt bir yol oluşturduğundan, kişinin belirli uyaranlara verdiği tepkiyi tespit etmek için birçok çalışmada kullanılmıştır. BBA'da, beyinde oluşan elektriksel potansiyeller giriş sinyali olarak kullanılmaktadır. Bu sinyallerden birisi de durağan hal görsel uyarılmış potansiyellerdir (DHGUP). DHGUP tabanlı BCI, genellikle kullanıcının dikkatini belirli frekansta ışık yanıp sönen veya değişen görsel uyarıcılara vererek beyin aktivitesini izler. Bu görsel uyaranlar genellikle bir bilgisayar ekranında yer alır. Kullanıcının dikkati, beyindeki belirli frekanstaki bu görsel uyarıcılara yanıt olarak SSVEP sinyallerinin değişmesine neden olur. BCI sistemi, bu SSVEP sinyallerini algılayarak kullanıcının dikkatini tahmin edebilir ve belirli komutları gerçekleştirmek için bir arayüz sağlayabilir. Çalışma 8 kişi ile yapılmış olup katılımcıların yaş ortalaması 25,62'dir. Hazırlanan görsel uyaranlar; sağ, sol, ileri ve geri ok simgeleri olup sırasıyla 7,8,9,10 Hz. olarak kullanıcıya sunulmuş ve EEG kayıtları alınmıştır. EEG kayıtları Emotiv EPOC+ 14 kanallı başlık ile alınmış olup örnekleme frekansı 256Hz'dir. Toplam EEG kayıt süresi 1152sn olup kişi başı kayıt süresi 144sn'dir. Yapılan kayıtlar sonucunda bu çalışma için oksipital bölge kayıtlarının kullanılması için P7, P8, O1 ve O2 kanallarının sinyalleri alınarak 2-15 Hz. aralığında butterworth bant geçiren filtre ile filtrelenmiş ve normalize edilerek 5 saniyelik dilimlere ayrılmıştır. Daha sonrasında sinyaller FFT yöntemi ile frekans ortamına taşınmış ve PSD'leri alınmıştır. Sınıflandırma aşamasında SVM, YSA, KA ve NB algoritmaları kullanılarak ikili ve dörtlü sınıflandırmalar gerçekleştirilmiştir. İkili sınıflama KA algoritmasıyla %63,90 doğruluk oranı elde edilmiştir. Dörtlü sınıflandırma çalışmasında DVM algoritması ile %31,20'lik doğruluk oranına erişilmiştir.